MongoDB 的 MapReduce 大数据统计统计挖掘
MongoDB虽然不像我们常用的mysql，sqlserver，oracle等关系型数据库有group by函数那样方便分组，但是MongoDB要实现分组也有3个办法：
* Mongodb三种分组方式：
* 1、group(先筛选再分组，不支持分片，对数据量有所限制，效率不高)
* 2、mapreduce(基于js引擎，单线程执行，效率较低，适合用做后台统计等)
* 3、aggregate(推荐) (如果你的PHP的mongodb驱动版本需>=1.3.0，推荐你使用aggregate，性能要高很多，并且使用上要简单些，不过1.3的目前还不支持账户认证模式，可以通过http://pecl.php.net/package/mongo查看更新日志和Bug)
下面就来看下mapreduce方式：
Mongodb官网对MapReduce介绍：
Map/reduce in MongoDB is useful for batch processing of data and aggregation operations. It is similar in spirit to using something like Hadoop with all input coming from a collection and output going to a collection. Often, in a situation where you would have used GROUP BY in SQL, map/reduce is the right tool in MongoDB.
大致意思是：Mongodb中的Map/reduce主要是用来对数据进行批量处理和聚合操作，有点类似于使用Hadoop对集合数据进行处理，所有输入数据都是从集合中获取，而MapReduce后输出的数据也都会写入到集合中。通常类似于我们在SQL中使用Group By语句一样。
使用MapReduce要实现两个函数：Map和Reduce。Map函数调用emit(key,value)遍历集合中所有的记录，将key与value传给Reduce函数进行处理。Map函数和Reduce函数是使用Javascript编写的，并可以通过db.runCommand或mapreduce命令来执行MapReduce操作。
MapReduce命令如下：
view plaincopy
[*]db.runCommand(
[*]{ mapreduce : ,
[*] map : ,
[*] reduce :
[*] [, query : ]
[*] [, sort : ]
[*] [, limit : ]
[*] [, out : ]
[*] [, keeptemp: ]
[*] [, finalize : ]
[*] [, scope : ]
[*] [, verbose : true]
[*] }
[*]);
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函数的参数）
reduce：统计函数
query：目标记录过滤
sort：对目标记录排序
limit：限制目标记录数量
out：统计结果存放集合（如果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返回结果执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
map函数
map函数调用当前对象,并处里对象的属性,传值给reduce,map方法使用this来操作当前对象,最少调用一次emit(key,value)方法来向reduce提供参数,其中emit的key为最终数据的id。
reduce函数
接收一个值和数组,根据需要对数组进行合并分组等处理,reduce的key就是emit(key,value)的key，value_array是同个key对应的多个value数组。
Finalize函数
此函数为可选函数,可在执行完map和reduce后执行,对最后的数据进行统一处理。
看完基本介绍，我们再来看一个实例：
已知集合feed,测试数据如下：
view plaincopy
[*]{
[*] "_id": ObjectId("50ccb3f91e937e2927000004"),
[*] "feed_type": 1,
[*] "to_user": 234,
[*] "time_line": "2012-12-16 01:26:00"
[*]}
[*]
[*]{
[*] "_id": ObjectId("50ccb3ef1e937e0727000004"),
[*] "feed_type": 8,
[*] "to_user": 123,
[*] "time_line": "2012-12-16 01:26:00"
[*]}
[*]
[*]{
[*] "_id": ObjectId("50ccb3e31e937e0a27000003"),
[*] "feed_type": 1,
[*] "to_user": 123,
[*] "time_line": "2012-12-16 01:26:00"
[*]}
[*]
[*]{
[*] "_id": ObjectId("50ccb3d31e937e0927000001"),
[*] "feed_type": 1,
[*] "to_user": 123,
[*] "time_line": "2012-12-16 01:26:00"
[*]}
我们按动态类型feed_type和用户to_user进行分组统计，实现结果：
feed_type
to_user
cout
1
234
1
8
123
1
1
123
2
实现代码：
view plaincopy
[*]//编写map函数
[*]$map = '
[*] function() {
[*] var key = {to_user:this.to_user,feed_type:this.feed_type};
[*] var value = {count:1};
[*] emit(key,value);
[*] } ';
[*]
[*]//reduce 函数
[*]$reduce = '
[*] function(key, values) {
[*] var ret = {count:0};
[*] for(var i in values) {
[*] ret.count += 1;
[*] }
[*] return ret;
[*] }';
[*]
[*]//查询条件
[*]$query = null;//本实例中没有查询条件，设置为null
view plaincopy
[*]$mongo = new Mongo('mongodb://root:root@127.0.0.1: 28017/'); //链接mongodb,账号和密码为root,root
[*]$instance = $mongo->selectDB("testdb");
[*]
[*]//执行此命令后，会创建feed_temp_res的临时集合，并将统计后的数据放在该集合中
[*]$cmd = $instance->command(array(
[*] 'mapreduce' => 'feed',
[*] 'map' => $map,
[*] 'reduce' => $reduce,
[*] 'query' => $query,
[*] 'out' => 'feed_temp_res'
[*]));
[*]
[*]//查询临时集合中的统计数据，验证统计结果是否和预期结果一致
[*]$cursor = $instance->selectCollection('feed_temp_res')->find();
[*]$result = array();
[*]try {
[*] while ($cursor->hasNext())
[*] {
[*] $result[] = $cursor->getNext();
[*] }
[*]}
[*]catch (MongoConnectionException $e)
[*]{
[*] echo $e->getMessage();
[*]}
[*]catch (MongoCursorTimeoutException $e)
[*]{
[*] echo $e->getMessage();
[*]}
[*]catch(Exception $e){
[*] echo $e->getMessage();
[*]}
[*]
[*]//test
[*]var_dump($result);
下面是输出的结果，和预期结果一致
view plaincopy
[*]{
[*] "_id": {
[*] "to_user": 234,
[*] "feed_type": 1
[*]},
[*] "value": {
[*] "count": 1
[*]}
[*]}
[*]
[*]{
[*] "_id": {
[*] "to_user": 123,
[*] "feed_type": 8
[*]},
[*] "value": {
[*] "count": 1
[*]}
[*]}
[*]
[*]{
[*] "_id": {
[*] "to_user": 123,
[*] "feed_type": 1
[*]},
[*] "value": {
[*] "count": 2
[*]}
[*]}
以上只是简单的统计实现，你可以实现复杂的条件统计编写复杂的reduce函数，可以增加查询条件，排序等等。
附上mapReduce数据库处理函数（简单封装）
view plaincopy
[*]/**
[*] * mapReduce分组
[*] *
[*] * @param string $table_name 表名(要操作的目标集合名)
[*] * @param string $map 映射函数(生成键值对序列,作为 reduce 函数参数)
[*] * @param string $reduce 统计处理函数
[*] * @param array$query 过滤条件 如：array('uid'=>123)
[*] * @param array$sort 排序
[*] * @param number $limit 限制的目标记录数
[*] * @param string $out 统计结果存放集合 (不指定则使用tmp_mr_res_$table_name, 1.8以上版本需指定)
[*] * @param bool $keeptemp 是否保留临时集合
[*] * @param string $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)
[*] * @param string $scope 向 map、reduce、finalize 导入外部js变量
[*] * @param bool $jsMode 是否减少执行过程中BSON和JS的转换，默认true(注：false时 BSON-->JS-->map-->BSON-->JS-->reduce-->BSON,可处理非常大的mapreduce,//true时BSON-->js-->map-->reduce-->BSON)
[*] * @param bool $verbose 是否产生更加详细的服务器日志
[*] * @param bool $returnresult 是否返回新的结果集
[*] * @param array&$cmdresult 返回mp命令执行结果 array("errmsg"=>"","code"=>13606,"ok"=>0) ok=1表示执行命令成功
[*] * @return
[*] */
[*]function mapReduce($table_name,$map,$reduce,$query=null,$sort=null,$limit=0,$out='',$keeptemp=true,$finalize=null,$scope=null,$jsMode=true,$verbose=true,$returnresult=true,&$cmdresult){
[*] if(empty($table_name) || empty($map) || empty($reduce)){
[*] return null;
[*] }
[*] $map = new MongoCode($map);
[*] $reduce = new MongoCode($reduce);
[*] if(empty($out)){
[*] $out = 'tmp_mr_res_'.$table_name;
[*] }
[*] $cmd = array(
[*] 'mapreduce' => $table_name,
[*] 'map' => $map,
[*] 'reduce' => $reduce,
[*] 'out' =>$out
[*] );
[*] if(!empty($query) && is_array($query)){
[*] array_push($cmd, array('query'=>$query));
[*] }
[*] if(!empty($sort) && is_array($sort)){
[*] array_push($cmd, array('sort'=>$query));
[*] }
[*] if(!empty($limit) && is_int($limit) && $limit>0){
[*] array_push($cmd, array('limit'=>$limit));
[*] }
[*] if(!empty($keeptemp) && is_bool($keeptemp)){
[*] array_push($cmd, array('keeptemp'=>$keeptemp));
[*] }
[*] if(!empty($finalize)){
[*] $finalize = new Mongocode($finalize);
[*] array_push($cmd, array('finalize'=>$finalize));
[*] }
[*] if(!empty($scope)){
[*] array_push($cmd, array('scope'=>$scope));
[*] }
[*] if(!empty($jsMode) && is_bool($jsMode)){
[*] array_push($cmd, array('jsMode'=>$jsMode));
[*] }
[*] if(!empty($verbose) && is_bool($verbose)){
[*] array_push($cmd, array('verbose'=>$verbose));
[*] }
[*] $dbname = $this->curr_db_name;
[*] $cmdresult = $this->mongo->$dbname->command($cmd);
[*] if($returnresult){
[*] if($cmdresult && $cmdresult['ok']==1){
[*] $result = $this->find($out, array());
[*] }
[*] }
[*] if($keeptemp==false){
[*] //删除集合
[*] $this->mongo->$dbname->dropCollection($out);
[*] }
[*] return $result;
[*]}
-------------------------------------------------------------------------------------------
MongoDB 的 MapReduce 相当于 Mysql 中的"group by", 所以在 MongoDB 上使用 Map/Reduce 进行并行"统计"很容易。
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 中所有记录, key 与 value 传递给 Reduce 函数进行处理。 函数和 Reduce 将 Map 函数可以使用 JavaScript 来实现,可以通db.runCommand 或 mapReduce 命令来执行一个 MapReduce的操作。
MapReduce函数的参数列表如下：
db.runCommand(
{ mapreduce : ,
map : ,
reduce :
[, query : ]
[, sort : ]
[, limit : ]
[, out : ]
[, keeptemp: ]
[, finalize : ]
[, scope : ]
[, verbose : true]
}
);
或者这么写：
db.collection.mapReduce(
,
,
{
,
,
,
,
,
,
,
,
}
)
[*]mapreduce：指定要进行mapreduce处理的collection
[*]map：map函数
[*]reduce：reduce函数
[*]out：输出结果的collection的名字，不指定会默认创建一个随机名字的collection（如果使用了out选项，就不必指定keeptemp：true了，因为已经隐含在其中了）
[*]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）
[*]keytemp：true或false，表明结果输出到的collection是否是临时的，如果想在连接关闭后仍然保留这个集合，就要指定keeptemp为true，如果你用的是MongoDB的mongo客户端连接，那必须exit后才会删除。如果是脚本执行，脚本退出或调用close会自动删除结果collection
[*]finalize：是函数，它会在执行完map、reduce后再对key和value进行一次计算并返回一个最终结果，这是处理过程的最后一步，所以finalize就是一个计算平均数，剪裁数组，清除多余信息的恰当时机
[*]scope：javascript代码中要用到的变量，在这里定义的变量在map，reduce，finalize函数中可见
[*]verbose：用于调试的详细输出选项，如果想看MpaReduce的运行过程，可以设置其为true。也可以print把map，reduce，finalize过程中的信息输出到服务器日志上。
其中重点的几个参数说明：
1、Map
Map 函数必须调用 emit(key, value) 返回键值对,使用 this 访问当前待处理的 Document。
m = function() { emit(this.classid, 1) }
value 可以使用 JSON Object 传递 (支持多个属性值)。例如:
emit(this.classid, {count:1})
2 Reduce
Reduce 函数接收的参数类似 Group 效果,将 Map 返回的键值序列组合成 { key, } 传递给 reduce。
r = function(key, values) {
var x = 0;
values.forEach(function(v) { x += v });
return x;
}
3 Result
res = db.runCommand({
mapreduce:"students",
map:m,
reduce:r,
out:"students_res"
});
mapReduce() 将结果存储在 "students_res" 表中。
8.4 Finalize
利用 finalize() 我们可以对 reduce() 的结果做进一步处理。
f = function(key, value) { return {classid:key, count:value}; }
列名变与 “classid”和”count”了,这样的列表更容易理解。
8.5 Options
可以添加更多的控制细节 。添加query、sort等。
实例：
publicvoid MapReduce() {
Mongo mongo =new Mongo("localhost",27017);
DB db = mongo.getDB("qimiguangdb");
DBCollection coll = db.getCollection("collection1");
String map ="function() { emit(this.name, {count:1});}";
String reduce ="function(key, values) {";
reduce=reduce+"var total = 0;";
reduce=reduce+"for(var i=0;i
页:
[1]