欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

MongoDB中的MapReduce简介

程序员文章站 2022-05-01 19:36:25
mongodb mapreduce mapreduce是一种计算模型,简单的说就是将大批量的工作(数据)分解(map)执行,然后再将结果合并成最终结果(reduce)。这...

mongodb mapreduce

mapreduce是一种计算模型,简单的说就是将大批量的工作(数据)分解(map)执行,然后再将结果合并成最终结果(reduce)。这样做的好处是可以在任务被分解后,可以通过大量机器进行并行计算,减少整个操作的时间。

上面是mapreduce的理论部分,下面说实际的应用,下面以mongodb mapreduce为例说明。

下面是mongodb官方的一个例子:

复制代码 代码如下:

> db.things.insert( { _id : 1, tags : ['dog', 'cat'] } );
> db.things.insert( { _id : 2, tags : ['cat'] } );
> db.things.insert( { _id : 3, tags : ['mouse', 'cat', 'dog'] } );
> db.things.insert( { _id : 4, tags : []  } );

> // map function
> map = function(){
...    this.tags.foreach(
...        function(z){
...            emit( z , { count : 1 } );
...        }
...    );
...};

> // reduce function
> reduce = function( key , values ){
...    var total = 0;
...    for ( var i=0; i<values.length; i++ )
...        total += values[i].count;
...    return { count : total };
...};

db.things.mapreduce(map,reduce,{out:'tmp'})
{
    "result" : "tmp",
    "timemillis" : 316,
    "counts" : {
        "input" : 4,
        "emit" : 6,
        "output" : 3
    },
    "ok" : 1,
}
> db.tmp.find()
{ "_id" : "cat", "value" : { "count" : 3 } }
{ "_id" : "dog", "value" : { "count" : 2 } }
{ "_id" : "mouse", "value" : { "count" : 1 } }

例子很简单,计算一个标签系统中每个标签出现的次数。

这里面,除了emit函数之外,所有都是标准的js语法,这个emit函数是非常重要的,可以这样理解,当所有需要计算的文档(因为在mapreduce时,可以对文档进行过滤,接下来会讲到)执行完了map函数,map函数会返回key_values对,key即是emit中的第一个参数key,values是对应同一key的emit的n个第二个参数组成的数组。这个key_values会作为参数传递给reduce,分别作为第1.2个参数。

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。当key-values中的values数组过大时,会被再切分成很多个小的key-values块,然后分别执行reduce函数,再将多个块的结果组合成一个新的数组,作为reduce函数的第二个参数,继续reducer操作。可以预见,如果我们初始的values非常大,可能还会对第一次分块计算后组成的集合再次reduce。这就类似于多阶的归并排序了。具体会有多少重,就看数据量了。

reduce一定要能被反复调用,不论是映射环节还是前一个简化环节。所以reduce返回的文档必须能作为reduce的第二个参数的一个元素。

(当书写map函数时,emit的第二个参数组成数组成了reduce函数的第二个参数,而reduce函数的返回值,跟emit函数的第二个参数形式要一致,多个reduce函数的返回值可能会组成数组作为新的第二个输入参数再次执行reduce操作。)

mapreduce函数的参数列表如下:

复制代码 代码如下:

db.runcommand(
 { mapreduce : <collection>,
   map : <mapfunction>,
   reduce : <reducefunction>
   [, query : <query filter object>]
   [, sort : <sort the query.  useful for optimization>]
   [, limit : <number of objects to return from collection>]
   [, out : <output-collection name>]
   [, keeptemp: <true|false>]
   [, finalize : <finalizefunction>]
   [, scope : <object where fields go into javascript global scope >]
   [, verbose : true]
 }
);

或者这么写:
复制代码 代码如下:

db.collection.mapreduce(
                         <map>,
                         <reduce>,
                         {
                           <out>,
                           <query>,
                           <sort>,
                           <limit>,
                           <keytemp>,
                           <finalize>,
                           <scope>,
                           <jsmode>,
                           <verbose>
                         }
                       )

1.mapreduce:指定要进行mapreduce处理的collection
2.map:map函数
3.reduce:reduce函数
4.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)
5.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)
6.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
7.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)
8.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
9.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
10.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
11.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。

执行mapreduce函数返回的文档结构如下:

复制代码 代码如下:

  { result : <collection_name>,

    timemillis : <job_time>,

    counts : {

               input : <number of objects scanned>,

               emit : <number of times emit was called>,

               output : <number of items in output collection>

     } ,

     ok : <1_if_ok>,

     [, err : <errmsg_if_error>]

}

1.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。
2.timemillis:执行花费的时间,毫秒为单位
3.input:满足条件被发送到map函数的文档个数
4.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
5.ouput:结果集合中的文档个数(count对调试非常有帮助)
6.ok:是否成功,成功为1
7.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

java代码执行mapreduce的方法:

复制代码 代码如下:

public void 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<values.length;i++){total += values[i].count;}"; 
        reduce=reduce+"return {count:total};}"; 
         
        string result = "resultcollection"; 
         
        mapreduceoutput mapreduceoutput = coll.mapreduce(map, 
                reduce.tostring(), result, null); 
        dbcollection resultcoll = mapreduceoutput.getoutputcollection(); 
        dbcursor cursor= resultcoll.find(); 
        while (cursor.hasnext()) { 
            system.out.println(cursor.next()); 
        } 
    }