阅读目录
介绍
Map-Reduce是一种计算模型，简单的说就是将大批量的工作分解（MAP）执行，然后再将结果合并成最终结果（REDUCE）。
MongoDB提供的Map-Reduce非常灵活，对于大规模数据分析也相当实用。
基本语法
>db.collection.mapReduce( function() {emit(key,value);}, //map 函数 function(key,values) {return reduceFunction}, //reduce 函数 { out: collection, query: document, sort: document, limit: number } )
使用 MapReduce 要实现两个函数 Map 函数和 Reduce 函数,Map 函数调用 emit(key, value), 遍历 collection 中所有的记录, 将key 与 value 传递给 Reduce 函数进行处理。
Map 函数必须调用 emit(key, value) 返回键值对。
参数说明:
- map ：映射函数 (生成键值对序列,作为 reduce 函数参数)。
- reduce 统计函数，reduce函数的任务就是将key-values变成key-value，也就是把values数组变成一个单一的值value。。
- 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)。
- query 一个筛选条件，只有满足条件的文档才会调用map函数。（query。limit，sort可以随意组合）
- sort 和limit结合的sort排序参数（也是在发往map函数前给文档排序），可以优化分组机制
- limit 发往map函数的文档数量的上限（要是没有limit，单独使用sort的用处不大）
使用MapReduce示例
> db.col.find() { "_id" : ObjectId("56c691ae64799370c0ef3583"), "x" : "a", "status" : "on" } { "_id" : ObjectId("56c691af64799370c0ef3584"), "x" : "a", "status" : "on" } { "_id" : ObjectId("56c691b064799370c0ef3585"), "x" : "a", "status" : "on" } { "_id" : ObjectId("56c691ba64799370c0ef3586"), "x" : "a", "status" : "off" } { "_id" : ObjectId("56c691bf64799370c0ef3587"), "x" : "b", "status" : "off" } { "_id" : ObjectId("56c691c064799370c0ef3588"), "x" : "b", "status" : "off" } { "_id" : ObjectId("56c691c664799370c0ef3589"), "x" : "b", "status" : "on" }
现在找出status=on，按着x分类统计出各自的个数
db.col.mapReduce( function() { emit(this.x, 1); }, function(key, values) { return Array.sum(values) }, { query: {status:"on"}, out:"post_total", } ).find()
结果
/* 0 */ { "_id" : "a", "value" : "aaa" } /* 1 */ { "_id" : "b", "value" : "a" }
用类似的方式，MapReduce可以被用来构建大型复杂的聚合查询。
Map函数和Reduce函数可以使用 JavaScript 来实现，是的MapReduce的使用非常灵活和强大
本文转自jihite博客园博客，原文链接：http://www.cnblogs.com/kaituorensheng/p/5200895.html，如需转载请自行联系原作者
