【发布时间】：2012-05-15 03:03:39
【问题描述】：
我看到很多关于 MongoDB 中聚合的 SO 问题，但是，我还没有找到完整的解决方案。
这是我的数据示例：
{
"fruits" : {
"apple" : "red",
"orange" : "orange",
"plum" : "purple"
}
}
{
"fruits" : {
"apple" : "green",
"plum" : "purple"
}
}
{
"fruits" : {
"apple" : "red",
"orange" : "yellow",
"plum" : "purple"
}
}
现在，我的目标是确定每种水果的每种颜色的流行度，因此输出集合如下所示：
{
"_id" : "apple"
"values" : {
"red" : 2,
"green" : 1
}
}
{
"_id" : "orange"
"values" : {
"orange" : 1,
"yellow" : 1
}
}
{
"_id" : "plum"
"values" : {
"purple" : 3
}
}
我尝试了各种 M/R 功能，但最终它们要么不起作用，要么花费的时间呈指数级增长。在示例（水果）的上下文中，我在大约 10,000,000 个文档中拥有大约 1,000 种不同的水果和 100,000 种颜色。我目前的工作 M/R 是这样的：
map = function() {
if (!this.fruits) return;
for (var fruit in this.fruits) {
emit(fruit, {
val_array: [
{value: this.fruits[fruit], count: 1}
]
});
}
};
reduce = function(key, values) {
var collection = {
val_array: []
};
var found = false;
values.forEach(function(map_obj) {
map_obj.val_array.forEach(function(value_obj) {
found = false;
// if exists in collection, inc, else add
collection.val_array.forEach(function(coll_obj) {
if (coll_obj.value == value_obj.value) {
// the collection already has this object, increment it
coll_obj.count += value_obj.count;
found = true;
return;
}
});
if (!found) {
// the collection doesn't have this obj yet, push it
collection.val_array.push(value_obj);
}
});
});
return collection;
};
现在，这确实有效，对于 100 条记录，只需要一秒钟左右，但时间会非线性增加，因此 100M 条记录需要非常很长时间。问题是我正在使用 collection 数组在 reduce 函数中进行穷人子聚合，因此需要我遍历 collection 和我的 map 函数中的值。现在我只需要弄清楚如何有效地做到这一点（即使它需要多次减少）。欢迎提出任何建议！
编辑由于缺少更好的发布位置，这是我的解决方案。
首先，我创建了一个名为
mr.js 的文件：
map = function() {
if (!this.fruits) return;
var skip_fruits = {
'Watermelon':1,
'Grapefruit':1,
'Tomato':1 // yes, a tomato is a fruit
}
for (var fruit in this.fruits) {
if (skip_fruits[fruit]) continue;
var obj = {};
obj[this.fruits[fruit]] = 1;
emit(fruit, obj);
}
};
reduce = function(key, values) {
var out_values = {};
values.forEach(function(v) {
for(var k in v) { // iterate values
if (!out_values[k]) {
out_values[k] = v[k]; // init missing counter
} else {
out_values[k] += v[k];
}
}
});
return out_values;
};
var in_coll = "fruit_repo";
var out_coll = "fruit_agg_so";
var total_docs = db[in_coll].count();
var page_size = 100000;
var pages = Math.floor(total_docs / page_size);
print('Starting incremental MR job with '+pages+' pages');
db[out_coll].drop();
for (var i=0; i<pages; i++) {
var skip = page_size * i;
print("Calculating page limits for "+skip+" - "+(skip+page_size-1)+"...");
var start_date = db[in_coll].find({},{date:1}).sort({date:1}).skip(skip).limit(1)[0].date;
var end_date = db[in_coll].find({},{date:1}).sort({date:1}).skip(skip+page_size-1).limit(1)[0].date;
var mr_command = {
mapreduce: in_coll,
map: map,
reduce: reduce,
out: {reduce: out_coll},
sort: {date: 1},
query: {
date: {
$gte: start_date,
$lt: end_date
}
},
limit: (page_size - 1)
};
print("Running mapreduce for "+skip+" - "+(skip+page_size-1));
db[in_coll].runCommand(mr_command);
}
该文件遍历我的整个集合，一次增量地映射/减少 100k 文档（按 date 排序，必须有一个索引！），并将它们减少到单个输出集合中。它是这样使用的：mongo db_name mr.js。
然后，几个小时后，我得到了一个包含所有信息的集合。为了找出颜色最多的水果，我使用 mongo shell 中的这个来打印出前 25 个：
// Show number of number of possible values per key
var keys = [];
for (var c = db.fruit_agg_so.find(); c.hasNext();) {
var obj = c.next();
if (!obj.value) break;
var len=0;for(var l in obj.value){len++;}
keys.push({key: obj['_id'], value: len});
}
keys.sort(function(a, b){
if (a.value == b.value) return 0;
return (a.value > b.value)? -1: 1;
});
for (var i=0; i<20; i++) {
print(keys[i].key+':'+keys[i].value);
}
这种方法真正酷的地方在于，由于它是增量的，我可以在 mapreduce 运行时处理输出数据。
【问题讨论】：
标签： javascript mongodb mapreduce mongodb-query