第24章：MongoDB-聚合操作--MapReduce

①MapReduce

在MongoDB的聚合框架中，还可以使用MapReduce，它非常强大和灵活，但具有一定的复杂性，专门用于实现一些复杂的聚合功能。

MongoDB中的MapReduce使用JavaScript来作为查询语言，因此能表达任意的逻辑，但是它运行非常慢，不应该用在实时的数据分析中。

②

MapReduce是整个大数据的精髓所在（实际中别用），所谓的MapReduce就是分为两步处理数据：

· Map：将数据分别取出；

· Reduce：负责数据的最后的处理。

可是要想在MongoDB里面实现MapReduce处理，那么复杂度是相当高的。

③更多MapReduce可选的键

1：finalize:function ：可以将reduce的结果发送到finalize，这是整个处理的最后一步

2：keeptemp:boolean ：是否在连接关闭的时候，保存临时结果集合

3：query:document ：在发送给map前对文档进行过滤

4：sort:document ：在发送给map前对文档进行排序

5：limit:integer ：发往map函数的文档数量上限

6：scope:document ：可以在javascript中使用的变量

7：verbose:boolean ：是否记录详细的服务器日志

④范例

--按照职位分组，取得每个职位的人名

建立一组雇员数据

db.emps.insert("name":"张三",age": 31,"sex": "男", job": "CLERK", "salary": 2000);

db.emps.insert("name":"李四",age": 31,"sex": "女", job": "CLERK", "salary": 3000);

db.emps.insert("name":"王五",age": 31,"sex": "男", job": "MANAGER", "salary": 4000);

db.emps.insert("name":"赵六",age": 31,"sex": "女", job": "MANAGER", "salary": 5000);

db.emps.insert("name":"孙七",age": 31,"sex": "男", job": "CLERK", "salary": 6000);

db.emps.insert("name":"王八",age": 31,"sex": "女", job": "PRESIDENT", "salary": 8000);

使用MapReduce操作最终会将处理结果保存在一个单独的集合里面，而最终的处理效果如下。

第一步：编写分组的定义

var jobMaapFUN = function(key,value)[

emit("job":key,"names":value);//按照job分组,取出name

};

第二步：编写reduce操作；

var jobReduceFUN = function(key,value)[

return("job":key,"names":value);

};

第三步：针对于MapReduce处理完成的数据实际上也可以执行一个最后处理。

var jobFinalizeFun=function(key, values){

if (key == "PRESIDENT"){

return{"job":key," names": values,"info":"公司的老大"};

}

return{"job":key," names": values,"info":"打工仔"};

}

进行操作的整合：

db. runComumand({

"mapreduce":"emps",

"map": jobMapFun,

"reduce":jobReduceFun,

"out":"t_job_emp",

finalize": jobFinalizeFun}

);

现在执行之后，所有的处理结果都保存在了“t_job_emp”集合里面。

db.t_job_emp .find().pretty();

⑤

范例

--统计出各性别的人数、平均工资、最低工资、雇员姓名

虽然大数据的时代提供有最强悍的MapReduce支持，但是从现实的开发来讲，真的不可能使用起来。

⑥

 

⑦

 

⑧

 

⑨

 

⑩

 

⑪

 

⑫

 

⑬

 

⑭

 

⑮

 

⑯

 

⑰

 

⑱

 

⑲

 

⑳