mongodb mapreduce分析

目前发现mapreduce的用法有两种:

一：计数以及实现聚合函数统计数据

二：对数据进行分组简化或者构造自己想要的格式

三：根据条件进行数据筛选

现在普遍的用法是第一种，对于第二种用法我们会分析一些格式怎么构造。

环境：

虚拟机:Oracle VM virtualbox 4.0.6

Linux：CentOS 5.6

mongovue(推荐使用，一个可视化的mongodb客户端，下载地址:http://www.mongovue.com/)

效果图 

PS：如果主机和虚拟机中的linux可以相互ping通,mongovue却连接不成功,拒绝访问的话很可能是Linux中防火墙的设置问题。可以把防火墙暂时关了或者把mongodb的端口开启，方法如下：

1） 永久性生效，重启后不会复原

开启： chkconfig iptables on

关闭： chkconfig iptables off

2） 即时生效，重启后复原

开启： service iptables start

关闭： service iptables stop

需要说明的是对于Linux下的其它服务都可以用以上命令执行开启和关闭操作。

在开启了防火墙时，做如下设置，开启相关端口，

修改/etc/sysconfig/iptables 文件，添加以下内容：
-A RH-Firewall-1-INPUT -m state --state NEW -m tcp -p tcp --dport 80 -j ACCEPT
-A RH-Firewall-1-INPUT -m state --state NEW -m tcp -p tcp --dport 22 -j ACCEPT

在开始--运行中打入 regedit--回车

mapreduce原理：

参考资料：http://www.csdn.net/article/2013-01-07/2813477-confused-about-mapreduce(十张图带你了解mapreduce)

                   http://www.mongovue.com/2010/11/03/yet-another-mongodb-map-reduce-tutorial/   (原理)

                  http://www.infoq.com/cn/articles/implementing-aggregation-functions-in-mongodb(聚合函数)

1.db.runCommand(   
2.{   
3.    mapreduce : <collection>,   
4.    map : <mapfunction>,   
5.    reduce : <reducefunction>   
6.    [, query : <query filter object>]   
7.    [, sort : <sort the query.  useful   optimization>] for  
8.    [, limit : <number of objects to   from collection>] return  
9.    [, out : <output-collection name>]   
10.    [, keeptemp: < | >] true false  
11.    [, finalize : <finalizefunction>]   
12.    [, scope : <object where fields go into javascript global scope >]   
13.    [, verbose :  ] true  
14.});  

参数说明:

•  mapreduce: 要操作的目标集合。
•  map: 映射函数 (生成键值对序列，作为 reduce 函数参数)。
•  reduce: 统计函数。
•  query: 目标记录过滤。
•  sort: 目标记录排序。
•  limit: 限制目标记录数量。
•  out: 统计结果存放集合 (不指定则使用临时集合，在客户端断开后自动删除)。
•  keeptemp: 是否保留临时集合。
•  finalize: 最终处理函数 (对 reduce 返回结果进行最终整理后存入结果集合)。
•  scope: 向 map、reduce、finalize 导入外部变量。
•  verbose: 显示详细的时间统计信息

 MapReduce是一种计算模型，简单的说就是将大批量的工作（数据）分解（MAP）执行，然后再将结果合并成最终结果（REDUCE）。这样做的好处是可以在任务被分解后，可以通过大量机器进行并行计算，减少整个操作的时间。

我们可以把mapreduce与sql对比理解：

emit函数是非常重要的，他的作用是将一条数据放入数据分组集合，这个分组是以emit的第一个参数为key的。你可以这样理解，当你在所有需要计算的行执行完了map函数，你就得到了一组key-values对。基本key是emit中的key，values是每次emit函数的第二个参数组成的集合。

现在我们的任务就是将这一个key-values变在key-value，也就是把这一个集合变成一个单一的值。这个操作就是Reduce。

例如：我们有巴西和澳大利亚的信息，我们按照城市来分组就要用emit函数，用城市名当key

这样我们就得到了一组key-values对，则第一次values中装的就是巴西组的信息，第二次values中装的是澳大利亚组的信息。values数组中则装的是每个城市的信息。具体有哪些信息取决于我们的emit函数的第二个参数发送了哪些信息。

在reduced和finalize里我们就能进行相应的统计计算或者结构重构等操作。

mapreduce例子：

首先我们插入数据

db.c.insert({country:"中国" province:"广东省" city:"广州" temprature:"12°C" weather:"晴"});

db.c.insert({country:"中国" province:"广东省" city:"深圳" temprature:"15°C" weather:"晴"});

db.c.insert({country:"中国" province:"广东省" city:"珠海" temprature:"7°C" weather:"多云"});

db.c.insert({country:"中国" province:"贵州省" city:"贵阳" temprature:"4°C" weather:"晴"});

db.c.insert({country:"中国" province:"贵州省" city:"遵义" temprature:"2°C" weather:"晴"});

db.c.insert({country:"中国" province:"云南省" city:"昆明" temprature:"24°C" weather:"多云"});

db.c.insert({country:"中国" province:"云南省" city:"丽江" temprature:"22°C" weather:"晴"});

db.c.insert({country:"澳大利亚" province:"新南威尔士州" city:"悉尼" temprature:"15°C" weather:"晴"});

db.c.insert({country:"澳大利亚" province:"维多利亚州" city:"墨尔本" temprature:"20°C" weather:"晴"});

PS:由于MongoDB中没有提供给shell的“批量插入方法”，不过各个语言的驱动driver有提供批量的方法。或者对于相同的数据可以用for循环插入。在这里我直接用mongovue直接分9次插入。

插入完成后一共有9条数据：

用法一：

1.计数的例子：

一：求所有记录的总条数

db.runCommand({ mapreduce: "c",
 map : function Map() {
 
 
 emit(
  1,     // how to group
  {count: 1} // associated data point (document)
 );
 
 
},
 reduce : function Reduce(key, values) {

      Total=0;

 values.forEach(function(val) {
   Total += val.count;
 });

 return Total; 
 

},
 finalize : function Finalize(key, reduced) {
 

 return reduced;
},
 out : { inline : 1 }
 });

结果：

分析：map函数中emit函数分组，因为我们要算所有记录的总条数，所有这里就不分组了。key可以用任意的数值。这样就只有一个小组。在reduced里求总数。返回。 可以得到一共有9条记录

二：求分组后小组的记录条数(这里我们用国家来分组)

db.runCommand({ mapreduce: "c",
 map : function Map() {
 
 
 emit(
  this.country,     // how to group
  {count: 1} // associated data point (document)
 );
 
 
},
 reduce : function Reduce(key, values) {

      Total=0;

 values.forEach(function(val) {
   Total += val.count;
 });

 return Total; 
 

},
 finalize : function Finalize(key, reduced) {
 

 return reduced;
},
 out : { inline : 1 }
 });

结果：

分析：map函数中emit函数分组，用country当key。有两个小组：中国和澳大利亚。在reduced里求每一个小组的总数。返回。 可以得到一共有中国有7条记录，澳大利亚有2条记录

2.实现聚合函数：

求平均：

求总和：

求最大：

用法二：

1.分组去除重复的运用(分组的key可自由拼接组合)

如果我们要去除重复，只要找出它们的共同点，再用emit函数的分组功能来分组就能实现了。分组的key可以多个标签的值构造。

例如计数例子中的数据，我们每个省只想要一条记录，其他的去掉：

db.runCommand({ mapreduce: "c",
 map : function Map() {
 
 
 emit(
  this.province,    

  {country:this.country,province:this.province,city:this.city,temprature:this.temprature,weather:this.weather} 

 );
 
 
},
 reduce : function Reduce(key, values) {

     var reduced={country:{},province:{},city:{},temprature:{},weather:{}};
 
reduced.country=values[0].country;
reduced.province=values[0].province;
reduced.city=values[0].city;
reduced.temprature=values[0].temprature;
reduced.weather=values[0].weather;

 return reduced; 
 

},
 finalize : function Finalize(key, reduced) {
 

 return reduced;
},
 out : { inline : 1 }
 });

结果：

分析：map函数中我们用省province来分组，一共有四个小组。则每一次values数组代表一个省的数据。values数组中对应则是每一个城市的数据。

这里我们只取values[0]里的数据。

2.分组后把同一组的数据放在同一条文档中（foreach--数组.push）

如果我们经过省分组后，但是又想把每一个省其中的城市的数据都取出来，而不是只取一个城市。那可以用如下方法：

db.runCommand({ mapreduce: "c",
 map : function Map() {
 
 
 emit(
  this.province,     // how to group
  {country:this.country,province:this.province,city:this.city,temprature:this.temprature,weather:this.weather} // associated data point (document)
 );
 
 
},
 reduce : function Reduce(key, values) {

     var reduced={country:{},province:{},city:[],temprature:[],weather:[]};
 
values.forEach(function(val) {
 reduced.country=val.country;
 reduced.province=val.province;
 reduced.city.push(val.city);
 reduced.temprature.push(val.temprature);
  reduced.weather.push(val.weather);
 });

 return reduced;

},
 finalize : function Finalize(key, reduced) {
 

 return reduced;
},
 out : { inline : 1 }
 });

结果：

3.用提取的数据当key名

从上面的例子我们可以知道文档的标签都是我们一开始就定义的，那能不能用从数据库中提取的数据来当标签呢？

例子如下：

db.runCommand({ mapreduce: "c",
 map : function Map() {
 
 
 emit(
  this.province,     // how to group
  {country:this.country,province:this.province,city:this.city,temprature:this.temprature,weather:this.weather} // associated data point (document)
 );
 
 
},
 reduce : function Reduce(key, values) {

 var reduced={};
 
 values.forEach(function(val) {

 reduced[val.country+val.province+val.city+"_temprature"]=(val.temprature);
 reduced[val.country+val.province+val.city+"_weather"]=(val.weather);
 
  });

 return reduced;
},
 finalize : function Finalize(key, reduced) {
 

 return reduced;
},
 out : { inline : 1 }
 });

结果：

4.嵌套文档的格式构造(构造数组中的数组)

db.runCommand({ mapreduce: "c",
 map : function Map() {
emit(this.province, {country:this.country,province:this.province,city:this.city,temprature:this.temprature,weather:this.weather}
)
},
 reduce : function Reduce(key, values) {
  var result=[];
  
  

           
   
    for(c=0;c<values.length;c++)
 {
           result[c]={country:values[c].country,province:values[c].province,data:[]};
    
      for(i=0;i<values.length;i++)
   {
    result[c].data[i]={nature:[]};
   
    result[c].data[i].nature[0]={city:values[c].city};
    result[c].data[i].nature[1]={temprature:values[c].temprature};
    result[c].data[i].nature[2]={weather:values[c].weather};
   
   
   }
   
   
   
     }
   
   return result[0];
},
 finalize : function Finalize(key, reduced) {
 /* 
 
 // Make final updates or calculations
 reduced.avgAge = reduced.age / reduced.count;
 
 */

 return reduced;
},
 out : { inline : 1 }
 });

结果：

 分析：从结果可以看出已经构造出了数组里的数组这种结构，关键的构造方法部分已经用蓝颜色标出。

三：根据条件进行筛选

db.runCommand({ mapreduce: "data", 
 map : function Map() {
 

	
	if(this.location=="青岛")
	{
	
	emit(
		"result",					// how to group
		this	// associated data point (document)
	); 
	}

},
 reduce : function Reduce(key, values) {


	var reduced = {city:[]}; // initialize a doc (same format as emitted value)

	values.forEach(function(val) {
	
		reduced.city.push(val); 
	});

	return reduced;	
	
	
	

},
 finalize : function Finalize(key, reduced) {
	/*  
	
	// Make final updates or calculations
	reduced.avgAge = reduced.age / reduced.count;
	
	*/

	return reduced;
},
 out : { inline : 1 }
 });

疑问：

1.对一个集合做mapreduce时 能引用到另一个集合的数据么？ 用DBf能不能做到？

2.分组后还能更改_id么 拼接分组后 想改成标准_Id（可在emit时用new ObjectId()创建新_id，但不再具有分组功能）

例如：

用省份作为key分组后，_id就是显示的省份，能不能让它变成一个正常的id如下格式的id

3.提取的数据能声明成为全局变量么? 即在map时只对第一条文档，提出数据，然后在第二条文档时能使用第一条的数据。类似于在scope里声明[now_date:new data();],now_date就能在全局使用，可以对map,reduce,finalize函数 以及对每一条文档处理时都能使用。但这个变量我需要从数据中提取。

4.第一组文档要与第二组文档的数据进行比较，怎么实现(感觉mapreduce处理的流程是处理完一条文档后开始第二条文档)

我们知道比如用国家分组。 reduce : function Reduce(key, values)中values数组中第一次只包含了中国的数据，values[0]里装的是中国的第一个城市数据，values[1]装的是中国的第二个城市数据，。。。处理完中国的数据后，才进行第二次reduce : function Reduce(key, values) values里包含了澳大利亚的数据，values[0]中装的是澳大利亚第一个城市的数据。。。 

我想用中国城市的数据跟澳大利亚的对比 怎么进行

有疑问加站长微信联系（非本文作者）