MongoDB的聚合框架Aggregation Framework入门学习教程

1. 聚合框架
使用聚合框架对集合中的文档进行变换和组合，可以用多个构件创建一个管道(pipeline)，用于对一连串的文档进行处理。这些构件包括筛选(filtering),投射(projecting),分组(grouping),排序(sorting),限制(limiting),跳过(skipping)。
例如一个保存着动物类型的集合，希望找出最多的那种动物，假设每种动物被保存为一个mongodb文档，可以按照以下步骤创建管道。
1)将每个文档的动物名称映射出来。
2)安装名称排序，统计每个名称出现的次数。
3)将文档按照名称出现的次数降序排列。
4)将返回结果限制为前五个。
具体操作符：
1){"$porject", {"name" : 1}}
类似于查询阶段的字段选择器，指定"fieldname" : 1选定需要的字段，"fieldname" : 0排除不需要的字段，"_id"字段自动显示。结果保存在内存中，不会写入磁盘。

db.test_collection.aggregate({"$project" : {"name" : 1}});    =>
{ "_id" : objectid("535a2d3c169097010b92fdf6"), "name" : "snake" }

2){"$group", {"_id" : "$name", "count" : {"$sum" : 1}}}
首先指定了分组的字段"name",该操作执行完后，每个name只对应一个结果，所有可以将name指定为唯一标识符"_id"。
第二个字段表明分组内的每个文档"count"字段加1。新加入的文档中不会有count字段。

db.test_collection.aggregate({"$project" : {"name" : 1}}, {"$group" : {"_id" : "$name", "count" : {"$sum" : 1}}});    =>
{ "_id" : "bird", "count" : 8344 }
{ "_id" : "snake", "count" : 8443 }
{ "_id" : "cat", "count" : 8183 }
{ "_id" : "rabbit", "count" : 8206 }
{ "_id" : "tiger", "count" : 8329 }
{ "_id" : "cow", "count" : 8309 }
{ "_id" : "horse", "count" : 8379 }
{ "_id" : "dog", "count" : 8406 }
{ "_id" : "dragon", "count" : 8372 }
{ "_id" : "elephant", "count" : 8264 }
{ "_id" : "pig", "count" : 8403 }
{ "_id" : "lion", "count" : 8362 }

3){"$sort" : {"count" : -1}}
对结果集中的文档根据count字段做降序排列。
4){"$limit" : 5}
将返回结果限制为5个文档。
将上述结果综合起来：

db.test_collection.aggregate(
{
  "$project" : {"name" : 1}}, 
  {"$group" : {"_id" : "$name", "count" : {"$sum" : 1}}}, 
  {"$sort" : {"count" : -1}},
  {"$limit" : 5}
);

aggregate会返回一个文档数组，内容为出现次数最多的5个动物：

{ "_id" : "snake", "count" : 8443 }
{ "_id" : "dog", "count" : 8406 }
{ "_id" : "pig", "count" : 8403 }
{ "_id" : "horse", "count" : 8379 }
{ "_id" : "dragon", "count" : 8372 }

调试过程中。可以逐一对管道符进行排查。
聚合框架不能对集合进行写入操作，所有结果返回给客户端，聚合结果必须限制在16m以内。

2. 管道操作符
每个操作符都会接受一连串的文档，对这些文档进行类型转换，最后得到的文档作为结果传递给下一操作符。
不同的管道操作符可以将任意顺序组合在一起使用，而且可以被重复任意多次。

2.1 $match
$match用于对文档集合进行筛选，之后得到的文档子集做聚合。
"$match"支持所有的常规查询操作符("$gt","$lt","$ne")等，不能使用地理空间操作符。
实际操作中尽量将"$match"放在管道的前面部分，一方面可以提快速将不需要的文档过滤掉，另外在映射和分组前筛选，查询可以使用索引。

2.2 $project
使用"$project"可以提取字段，可以重命名字段，

db.foo.aggregate({"$project" : {"city" : 1, "_id" : 0}})    =>
{ "city" : "new　work" }

可以将投射过的字段重命名:

db.foo.aggregate({"$project" : {"newcity" : "$city", "_id" : 0}})    =>
{ "newcity" : "new　work" }

使用"$fieldname"语法为了在聚合框架中引用fieldname字段，例如上面"$city"会被替换为"new　work"。
对字段重命名后，mongdb不会记录其记录字段的历史名称，所以应该在修改字段名称前使用索引。
2.2.1 管道表达式
可以使用表达式将多个字面量和变量组合为一个值。
可以使用组合或者任意深度的嵌套，创建复杂的表达式。
2.2.2 数学表达式
数学表示式用来操作数据运算。

db.foo.aggregate(
  {"$project" :
    {"total" : 
      {"$add" : ["$age", "$year"]},
      "_id" : 0
    }
  }
)
{"total" : 15}

可以将多个表达式组合为更为复杂的表达式：

db.foo.aggregate(
  {"$project" :
    {"sub" :
      {"$subtract" : [{"$add" : ["$age", "$year"]}, 7]}, 
      "_id" : 0
    }
  }
)
{ "sub" : 8 }

操作符语法：
1)"$add" : [expr1, [, expr2, ..., exprn]]
将表达式相加
2)"$subtract" : [expr1, expr2]
表达式1减去表达式2
3)"$multiply" : [expr1, [, expr2, ..., exprn]]
将表达式相乘
4)"$divide" : [expr1, expr2]
表达式1除以表达式2得到商
5)"$mod" : [expr1, expr2]
表达式1除以表达式2得到余数

2.2.3 日期表达式
用于提取日期信息的表达式："$year","$month","$week","$dayofmonth","$dayofweek","$hour","$minute","$second"。只能对日期类型的字段进行日期操作，不能对数值类型进行日期操作。

db.bar.insert({"name" : "pipi", "date" : new date()})
db.bar.aggregate(
  {"$project" : 
    {"birth-month" : 
      {"$month" : "$date"},
      "_id" : 0
    }
  }
)
{ "birth-month" : 4 }

也可以使用字面量日期。

db.bar.aggregate(
  {"$project" : 
    {"up-to-now" : 
      {"$subtract" : [{"$minute" : new date()}, {"$minute" : "$date"}]},
      "_id" : 0
    }
  }
)
{ "up-to-now" : 18 }

2.2.3 字符串表达式
操作符语法：
1)"$substr" : [expr, startoffset, numoreturn]
接受字符串，起始位置以后偏移n个字节，截取字符串。
2)"$concat" : [expr1[, expr2, ..., exprn]]
将给定的表达式连接在一起作为返回结果。
3)"$tolower" : expr
返回参数的小写形式
4)"$toupper" : expr
返回参数的大写形式
例如：

db.foo.insert({"firstname" : "caoqing", "lastname" : "lucifer"})
db.foo.aggregate(
{
  "$project" : {
    "email" : {
      "$concat" : [
        {"$substr" : ["$firstname", 0, 1]},
        ".",
        "$lastname",
        "@gmail.com"
          ]
        },
        "_id" : 0
      }
  }
)
{ "email" : "[e-mail]" }

2.2.3 逻辑表达式
操作符语法：
1)"$cmp" : [expr1, expr2]
比较两个参数，相等返回0，大于返回整数，小于返回负数。
2)"$strcasecmp" : [string1, string2]
比较字符串，区分大小写
3)"$eq"/"$ne"/"$gt"/"$gte"/"lt"/"lte" : [expr1, expr2]
比较字符串，返回结果(true or false)
4)"$and" : [expr1[, expr2, ..., exprn]]
所有值为true返回true，否则返回false。
5)"$or" : [expr1[, expr2, ..., exprn]]
任意表达式为true返回true，否则返回false
6)"$not" : expr
对表示式取反
还有两个控制语句。

"$crond" : [booleanexpr, trueexpr, falseexpr]

如果为true,返回trueexpr，否则，返回falseexpr。

"$iffull" : [expr, replacementexpr]

如果expr为null，返回replacementexpr，否则返回expr。
算术操作符必须接受数值，日期操作符必须接受日期，字符串操作符必须接受字符串。
例如，根据学生出勤率(10%)，平时作业(30%)和考试成绩(60%)得出最终成绩，如果是老师宠爱的学生，直接得100分：
插入数据:

db.bar.insert(
  {
    "name" : "xiaobao",
    "teacherspet" : 1,
    "attendance" : 90,
    "quizz" : 80,
    "test" : 85
  }
)
db.bar.insert(
  {
    "name" : "caoqing",
    "teacherspet" : 0,
    "attendance" : 20,
    "quizz" : 50,
    "test" : 90
  }
)
db.bar.insert(
  {
    "name" : "pipi",
    "teacherspet" : 0,
    "attendance" : 100,
    "quizz" : 50,
    "test" : 10
  }
)

聚合：

db.bar.aggregate(
  {
    "$project" : {
      "grade" : {
        "$cond" : [
          "$teacherspet",
          100,
        {
          "$add" : [
            {"$multiply" : [0.1, "$attendance"]},
            {"$multiply" : [0.3, "$quizz"]},
            {"$multiply" : [0.6, "$test"]},
          ]
        }
        ]
      }, 
      "_id" : 0
    }
  }
)

返回结果：

{ "grade" : 100 }
{ "grade" : 71 }
{ "grade" : 31 }

3. mapreduce
mapreduce非常强大与灵活，mongodb使用javascript作为查询语言，可以表示任意复杂的逻辑。
mapreduce非常慢，不应该用在实际的数据分析中。
mapreduce可以在多台服务器之间并行执行，可以将一个问题拆分为多个小问题，之后将各个小问题发送到不同的机器上，每台机器只负责完成一部分工作，所有的机器完成时，将这些零碎的解决方案合并为一个完整的解决方案。
最开始的是映射(map),将操作映射到集合中的各个文档，然后是中间环节，成为洗牌(shuffle),按照键分组，将产生的键值组成列表放在对应的键中。化简(reduce)则是把列表中的值化简为一个单值。

3.1 找出集合中的所有键
mongodb假设你的模式是动态的，所以并不会跟踪记录每个文档的键。通常找到集合中所有文档的所有键的最好方式就是mapreduce。
在映射环节，map函数使用特别的emit函数返回要处理的值。emit会给mapreduce一个键和一个值。
这里用emit将文档某个键的计数返回。this就是当前映射文档的引用：

map = function() {
  emit(this.country, {count : 1});
}

reduce接受两个参数，一个是key，就是emit返回的第一个值，还有一个数组，由一个或多个键对应的{count : 1}文档组成。

reduce = function(key, value) {
  var result = {count : 0};
  for (var i = 0; i < value.length; i++) {
    result.count += value[i].count;
  }
  return result;
}

示例表数据：

{ "_id" : 38, "country" : "japan", "money" : 724 }
{ "_id" : 39, "country" : "germany", "money" : 520 }
{ "_id" : 40, "country" : "india", "money" : 934 }
{ "_id" : 41, "country" : "china", "money" : 721 }
{ "_id" : 42, "country" : "germany", "money" : 156 }
{ "_id" : 43, "country" : "canada", "money" : 950 }
{ "_id" : 44, "country" : "india", "money" : 406 }
{ "_id" : 45, "country" : "japan", "money" : 776 }
{ "_id" : 46, "country" : "canada", "money" : 468 }
{ "_id" : 47, "country" : "germany", "money" : 262 }
{ "_id" : 48, "country" : "germany", "money" : 126 }
{ "_id" : 49, "country" : "japan", "money" : 86 }
{ "_id" : 50, "country" : "canada", "money" : 870 }
{ "_id" : 51, "country" : "india", "money" : 98 }
{ "_id" : 52, "country" : "india", "money" : 673 }
{ "_id" : 53, "country" : "japan", "money" : 487 }
{ "_id" : 54, "country" : "india", "money" : 681 }
{ "_id" : 55, "country" : "canada", "money" : 491 }
{ "_id" : 56, "country" : "japan", "money" : 98 }
{ "_id" : 57, "country" : "china", "money" : 172 }

运行结果：

db.foo.mapreduce(map, reduce, {out : "collection"})
{
    "result" : "collcetion",
    "timemillis" : 83,
    "counts" : {
        "input" : 99,
        "emit" : 99,
        "reduce" : 5,
        "output" : 5
    },
    "ok" : 1,
    "$glestats" : {
        "lastoptime" : timestamp(1399168165, 15),
        "electionid" : objectid("535a2ce15918f42de9ab1427")
    },
}

（1）result:存放的集合名
（2）timemillis:操作花费的时间，单位是毫秒
（3）input:传入文档数目
（4）emit:此函数被调用的次数
（5）reduce:此函数被调用的次数
（6）output:最后返回文档的个数
查看下collection结果内容：

 db.collection.find();
{ "_id" : "canada", "value" : { "count" : 19 } }
{ "_id" : "china", "value" : { "count" : 15 } }
{ "_id" : "germany", "value" : { "count" : 25 } }
{ "_id" : "india", "value" : { "count" : 20 } }
{ "_id" : "japan", "value" : { "count" : 20 } }

3.2 maprecude其他的键
（1）"finalize" : function
可以将reduce的结果发送给这个键，这是整个处理过程的最后一步。
（2）"keeptemp自动为true。" : boolean
如果为true，则在连接关闭后结果保存，否则不保存。
（3）"out" : string
输出集合的名称，如果设置，keeptemp自动为true。
（4）"query" : document
在发往map前，先用指定条件过滤文档。
（5）"sort" : document
在发往map前，先进行排序。
（6）"limit" : integer
发往map函数的文档数量上限。
（7）"scope" : document
可以在javascripts代码中使用的变量。
（8）"verbose" : boolean
是否记录详细的服务器日志。
3.2.1 finalize函数
可以使用finalize函数作为参数，会在最后一个reduce输出结果后执行，然后将结果保存在临时集合里。
3.2.2 保存结果集合
默认情况下，执行mapreduce时创建一个临时集合，集合名称为mr.stuff.ts.id,即mapreduce.集合名.时间戳.数据库作业id。mongodb会在调用的连接关闭时自动销毁这个集合。
3.2.3 对子文档执行mapreduce
每个传递给map的文档都需要先反序列化，从bson对象转换为js对象，这个过程非常耗时，可以先对文档过滤来提高map速度，可以通过"query","limit"和"sort"等对文档进行过滤。
"query"的值是一个查询文档。
"limit","sort"配合可以发挥很大的作用。
"query","limit"和"sort"可以随意组合使用。
3.2.4 作用域
作用域键"scope"，可以用变量名:值这样普通的文档来设置该选项，
3.2.5 获取更多的输出
设置verbose为true，可以将mapreduce过程更多的信息输出到服务器日志上。

4 聚合命名
count和distinct操作可以简化为普通命令，不需要使用聚合框架。
4.1 count
count返回集合中的文档数量：

db.foo.count() =>
99

可以传入一个查询文档：

db.foo.count({country : "china"}) =>
15

增加查询条件会使count变慢。
4.2 distinct
distinct用来找出给定键的所有不同值。使用时必须指定集合和键。

db.runcommand({ "distinct" : "foo", "key" : "country"}) =>
{
    "values" : [
        "japan",
        "germany",
        "india",
        "china",
        "canada"
    ],
    "stats" : {
        "n" : 99,
        "nscanned" : 99,
        "nscannedobjects" : 99,
        "timems" : 22,
        "cursor" : "basiccursor"
    },
    "ok" : 1,
    "$glestats" : {
        "lastoptime" : timestamp(1399171995, 15),
        "electionid" : objectid("535a2ce15918f42de9ab1427")
    }
}

4.3 group
使用group可以进行更为复杂的聚合。先选定分组所依据的键，然后根据选定键的不同值分为若干组，然后对每一个分组进行聚合，得到结果文档。
插入示例数据：

var name = ["caoqing", "spider-man", "garfield"]
for (var i = 0; i < 10000; i++) {
  iname = name[math.floor(math.random() * name.length)];
  date = new date().gettime();
  number = math.floor(100 * math.random());
  db.coll.insert({_id : i, name : iname, time : date, age : number});
}

生成的列表中包含最新的时间和最新的时间对应的年纪。
可以安装name进行分组，然后取出每个分组中date最新的文档，将其加入结果集。

db.runcommand({"group" : {
  "ns" : "coll",
  "key" : {"name" : true},
  "initial" : {"time" : 0},
  "$reduce" : function(doc, prev) {
    if (doc.time > prev.time) {
      prev.age = doc.age;
      prev.time = doc.time;
    }
  }
}})

（1）"ns" : "coll"
指定进行分组的集合。
（2）"key" : {"name" : true}
指定分组依据的键。
（3）"initial" : {"time" : 0}
初始化time值，作为初始wednesday传递给后续过程。每组成员都会使用这个累加器。
结果：

"$reduce" : function(doc, prev) {...}
{
    "retval" : [
        {
            "name" : "spider-man",
            "time" : 1399179398567,
            "age" : 55
        },
        {
            "name" : "garfield",
            "time" : 1399179398565,
            "age" : 85
        },
        {
            "name" : "caoqing",
            "time" : 1399179398566,
            "age" : 86
        }
    ],
    "count" : 10000,
    "keys" : 3,
    "ok" : 1,
    "$glestats" : {
        "lastoptime" : timestamp(1399179362, 1),
        "electionid" : objectid("535a2ce15918f42de9ab1427")
    }
}

如果有文档不存在指定分组的键，这些文档会单独分为一组，缺失的键会使用name:null这样的形式。如下：

db.coll.insert({age : 5, time : new date().gettime()})

返回结果:

    ...
    {
      "name" : null,
      "time" : 1399180685288,
      "age" : 5
    }
    "count" : 10001,
    "keys" : 4,
    ...

为了排除不包含指定用于分组的键的文档，可以在"condition"中加入"name":{"$exists" : true}。

db.runcommand({"group" : {
  "ns" : "coll",
  "key" : {"name" : true},
  "initial" : {"time" : 0},
  "$reduce" : function(doc, prev) {
    if (doc.time > prev.time) {
      prev.age = doc.age;
      prev.time = doc.time;
    }
  },
  "condition" : {"name" : {"$exists" : true}}
}})

4.3.1 使用完成器
完成器(finalizer)用于精简从数据库传到用户的数据，因为group命令的输出结果需要能够通过单次数据库响应返回给用户。
4.3.2 将函数作为键使用
分组条件可以非常复杂，不是单个键，例如分组时按照类别分组dog和dog是两个完全不同的组，为了消除大小写差异，可以定义一个函数决定文档分组所依据的键。
定义分组函数需要用到"$keyf"键，

db.foo.group({
  "ns" : "foo",
  "$keyf" : function(x) { return x.category.tolowercase(); };
  "initial" : ...,
  ......
})