Fungsi MongoDB Map Reduce
Hasil terjemahan：
peta
英[mæp] 美[mæp]
n, peta cakerawala; . Lukiskan peta (kawasan, dll.); perancangan terperinci; ; untuk melemahkan
vi untuk mengurangkan;Fungsi MongoDB Map Reducesintaks
Fungsi: Map-Reduce ialah model pengkomputeran, ia menguraikan sekumpulan besar kerja (data) untuk pelaksanaan (MAP), dan kemudian menggabungkan keputusan ke dalam hasil akhir (REDUCE). Map-Reduce yang disediakan oleh MongoDB adalah sangat fleksibel dan agak praktikal untuk analisis data berskala besar.
Sintaks: >db.collection.mapReduce( function() {emit(key,value);}, //map function
function(key,values) {return reduceFunction}, //reduce function {out: koleksi, pertanyaan: dokumen, isihan: dokumen, had: nombor }) Gunakan MapReduce untuk melaksanakan dua fungsi: Fungsi Peta dan fungsi Kurangkan Fungsi Peta memanggil emit(kunci, nilai), melintasi semua rekod dalam koleksi, dan melepasi kunci dan nilai Berikannya kepada fungsi Kurangkan untuk diproses. Fungsi Map mesti memanggil emit(key, value) untuk mengembalikan pasangan kunci-nilai.
Parameter: peta: fungsi pemetaan (menghasilkan jujukan pasangan nilai kunci sebagai mengurangkan parameter fungsi). mengurangkan fungsi statistik, tugas fungsi pengurangan adalah untuk mengubah nilai kunci menjadi nilai kunci, iaitu, mengubah tatasusunan nilai menjadi nilai nilai tunggal. . keluar Keputusan statistik disimpan dalam koleksi (jika tidak dinyatakan, koleksi sementara akan digunakan, yang akan dipadamkan secara automatik selepas pelanggan diputuskan sambungan). pertanyaan ialah syarat penapisan Hanya dokumen yang memenuhi syarat akan memanggil fungsi peta. (query.limit, isihan boleh digabungkan sesuka hati) Parameter pengisihan yang digabungkan dengan isihan dan had (juga mengisih dokumen sebelum menghantarnya ke fungsi peta), boleh mengoptimumkan had mekanisme pengelompokan dan mengehadkan had atas bilangan dokumen yang dihantar ke fungsi peta (jika tiada had, Menggunakan isihan sahaja tidak banyak digunakan)
Fungsi MongoDB Map Reducecontoh
>db.posts.insert({
"post_text": "php中文网，最全的技术文档。",
"user_name": "mark",
"status":"active"
})
WriteResult({ "nInserted" : 1 })
>db.posts.insert({
"post_text": "php中文网，最全的技术文档。",
"user_name": "mark",
"status":"active"
})
WriteResult({ "nInserted" : 1 })
>db.posts.insert({
"post_text": "php中文网，最全的技术文档。",
"user_name": "mark",
"status":"active"
})
WriteResult({ "nInserted" : 1 })
>db.posts.insert({
"post_text": "php中文网，最全的技术文档。",
"user_name": "mark",
"status":"active"
})
WriteResult({ "nInserted" : 1 })
>db.posts.insert({
"post_text": "php中文网，最全的技术文档。",
"user_name": "mark",
"status":"disabled"
})
WriteResult({ "nInserted" : 1 })
>db.posts.insert({
"post_text": "php中文网，最全的技术文档。",
"user_name": "php",
"status":"disabled"
})
WriteResult({ "nInserted" : 1 })
>db.posts.insert({
"post_text": "php中文网，最全的技术文档。",
"user_name": "php",
"status":"disabled"
})
WriteResult({ "nInserted" : 1 })
>db.posts.insert({
"post_text": "php中文网，最全的技术文档。",
"user_name": "php",
"status":"active"
})
WriteResult({ "nInserted" : 1 })
现在，我们将在 posts 集合中使用 mapReduce 函数来选取已发布的文章(status:"active")，并通过user_name分组，计算每个用户的文章数：
>db.posts.mapReduce(
function() { emit(this.user_name,1); },
function(key, values) {return Array.sum(values)},
{
query:{status:"active"},
out:"post_total"
}
)
以上 mapReduce 输出结果为：
{
"result" : "post_total",
"timeMillis" : 23,
"counts" : {
"input" : 5,
"emit" : 5,
"reduce" : 1,
"output" : 2
},
"ok" : 1
}
结果表明，共有4个符合查询条件（status:"active"）的文档， 在map函数中生成了4个键值对文档，最后使用reduce函数将相同的键值分为两组。
具体参数说明：
result：储存结果的collection的名字,这是个临时集合，MapReduce的连接关闭后自动就被删除了。
timeMillis：执行花费的时间，毫秒为单位
input：满足条件被发送到map函数的文档个数
emit：在map函数中emit被调用的次数，也就是所有集合中的数据总量
ouput：结果集合中的文档个数（count对调试非常有帮助）
ok：是否成功，成功为1
err：如果失败，这里可以有失败原因，不过从经验上来看，原因比较模糊，作用不大
使用 find 操作符来查看 mapReduce 的查询结果：
>db.posts.mapReduce(
function() { emit(this.user_name,1); },
function(key, values) {return Array.sum(values)},
{
query:{status:"active"},
out:"post_total"
}
).find()
以上查询显示如下结果，两个用户 tom 和 mark 有两个发布的文章:
{ "_id" : "mark", "value" : 4 }
{ "_id" : "php", "value" : 1 }
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，使得MapReduce的使用非常灵活和强大。