MongoDB 聚合操作

Posted 2020-08-05 悦光阴

在MongoDB中，有两种方式计算聚合：Pipeline 和 MapReduce。Pipeline查询速度快于MapReduce，但是MapReduce的强大之处在于能够在多台Server上并行执行复杂的聚合逻辑。MongoDB不允许Pipeline的单个聚合操作占用过多的系统内存，如果一个聚合操作消耗20%以上的内存，那么MongoDB直接停止操作，并向客户端输出错误消息。

一，使用 Pipeline 方式计算聚合

Pipeline 方式使用db.collection.aggregate()函数进行聚合运算，运算速度较快，操作简单，但是，Pipeline方式有两个限制：单个聚合操作消耗的内存不能超过20%，聚合操作返回的结果集必须限制在16MB以内。

创建示例数据，在集合 foo中插入1000条doc，每个doc中有三个field：idx，name 和 age。

for(i=0;i<10000;i++)
{ 
  db.foo.insert({"idx":i,name:"user "+i,age:i%90})；
}

1，使用$match 管道符过滤collection中doc，使符合条件的doc进入pipeline，能够减少聚合操作消耗的内存，提高聚合的效率。

db.foo.aggregate({$match:{age:{$lte:25}}})

2，使用$project 管道符，使用doc中的部分field进入下级pipeline

db.foo.aggregate(
{$match:{age:{$lte:25}}}, 
{$project:{age:1,idx:1,"_id":0}} 
)

$project 管道符的作用是选择字段，重命名字段，派生字段。 

2.1 选择字段

在$project 管道符中，field:1/0，表示选择/不选择 field；将无用的字段从pipeline中过滤掉，能够减少聚合操作对内存的消耗。

db.foo.aggregate(
{$match:{age:{$lte:25}}}, 
{$project:{age:1,idx:1,"_id":0}} 
)

2.2 对字段重命名，产生新的字段

引用符$，格式是："$field"，表示引用doc中 field 的值，如果要引用内嵌 doc中的字段，使用 "$field1.filed2"，表示引用内嵌文档field1中的字段：field2的值。

示例，新建一个field：preIdx，其值和idx 字段的值是相同的。

db.foo.aggregate(
{$match:{age:{$lte:25}}}, 
{$project:{age:1,"preIdx":"$idx",idx:1,"_id":0}} 
)

2.3 派生字段

在$project中，对字段进行计算，根据doc中的字段值和表达式，派生一个新的字段。

示例，preIdx是根据当前doc的idx 减1 得到的

db.foo.aggregate(
{$match:{age:{$lte:25}}}, 
{$project:
     {
    age:1,
    "preIdx":{$subtract:["$idx",1]},
    idx:1,
    "_id":0}
     } 
)

在$project 执行算术运算的操作符：+($add)，*（$multiply），/（$divide），%（$mod），-（$subtract）。

对于字符数据，$substr:[expr,start,length]用于求子字符串；$concat：[expr1,expr2,,,exprn]，用于将表达式连接在一起；$toLower：expr 和 $toUpper：expr用于返回expr的小写或大写形式。

2.4 分组操作

使用$group将doc按照特定的字段的值进行分组，$group将分组字段的值相同的doc作为一个分组进行聚合计算。如果没有$group 管道符，那么所有doc作为一个分组。对每一个分组，都能根据业务逻辑需要计算特定的聚合值。分组操作和排序操作都是非流式的运算符，流式运算符是指：只要有新doc进入，就可以对doc进行处理，而非流式运算符是指：必须等收到所有的文档之后，才能对文档进行处理。分组运算符的处理方式是等接收到所有的doc之后，才能对doc进行分组，然后将各个分组发送给pipeline的下一个运算符进行处理。

示例，按照age进行分组，统计每个分组中的doc数量

db.foo.aggregate(
{$match:{age:{$lte:25}}}, 
{$project:{age:1,"preIdx":{$subtract:["$idx",1]},idx:1,"_id":0}} ,
{$group:{"_id":"$age",count:{$sum:1}}}
)

如果分组字段有多个，按照 age 和 age2 进行分组，这样做仅仅是为了演示，在实际的产品环境中，可以使用更多的字段用来分组。

db.foo.aggregate(
{$match:{age:{$lte:25}}}, 
{$project:{age:1,"preIdx":{$subtract:["$idx",1]},idx:1,"_id":0}} ,
{$group:{"_id":{age:"$age",age2:"$age"},count:{$sum:1}}}
)

对每个分组进行聚合运算，count字段是计算每个分组中doc的数量，idxTotal字段是计算每个分组中idx字段值的加和，idxMax字段是计算每个分组中idx字段值的最大值，idxFirst是计算每个分组中第一个idx 字段的值，不一定是最小的。

db.foo.aggregate(
{$match:{age:{$lte:25}}}, 
{$project:{age:1,"preIdx":{$subtract:["$idx",1]},idx:1,"_id":0}} ,
{$group:
   {
    "_id":{age:"$age",age2:"$age"},
    count:{$sum:1},
    idxTotal:{$sum:"$idx"}},
    idxMax:{$max:"$idx"},
    idxFirst:{$first:"$idx"}
   }
}
)

2.5，sort操作，limit操作 和 skip操作
对聚合操作的结果进行排序，然后跳过前10个doc，取剩余结果集的前10个doc。

db.foo.aggregate(
{$match:{age:{$lte:25}}}, 
{$project:{age:1,"preIdx":{$subtract:["$idx",1]},idx:1,"_id":0}} ,
{$group:
   {
    "_id":{age:"$age",age2:"$age"},
    count:{$sum:1},
    idxTotal:{$sum:"$idx"}},
    idxMax:{$max:"$idx"},
    idxFirst:{$first:"$idx"}
   }
}，
{$sort:{age:-1}},
{$skip:10},
{$limit:10}
)

二，使用MapReduce 方式计算聚合
MapReduce 能够计算非常复杂的聚合逻辑，非常灵活，但是，MapReduce非常慢，不应该用于实时的数据分析中。MapReduce能够在多台Server上并行执行，每台Server只负责完成一部分wordload，最后将wordload发送到Master Server上合并，计算出最终的结果集，返回客户端。

MapReduce分为两个阶段:Map和Reduce，举个例子说明，有10节车厢，统计这10节车厢中男生和女生的数量。串行方式一节一节车厢的统计，直到统计完全部车厢中的人数：男50人，女40人。

使用MapReduce方式的思路是：每个车厢派一个人去统计，每个人返回一个doc，例如，keyN：{female：num1，male：num2}，keyN是车厢编号，在同一时间，有10个人在同时工作，每个人只完成全部workload的10%，很快，返回10个doc，从Key1到Key10，只需要将这10个doc中 femal 和 male分别加和到一起，就是全部车厢的人数：男50人，女40人。

 

使用MapReduce方式计算聚合，主要分为三步：Map，Shuffle（拼凑）和Reduce，Map和Reduce需要显式定义，shuffle由MongoDB来实现。

• Map：将操作映射到每个doc，产生Key和Value，例如，Map一个doc，产生(female，{count：1})，female是Key，value是{count：1}
• Shuffle：按照Key进行分组，并将key相同的Value组合成数组，例如，产生(female,[{count:1},{count:1},{count:1},{count:1},,,,,])
• Reduce：把Value数组化简为单值，例如，产生(femal，{count：21})

使用MapReduce进行聚合运算的最佳方式是聚合运算的结果能够加到一起，例如，求最大值/最小值，sum，平均值（转换为计算每台Server的 总和sum1，sum2，，，sumN 与 num1，num2，，numN，平均值avg=（sum1+sum2+，，，+sumN）/（num1+num2+，，+numN））等。

示例，使用MapReduce模拟Count，统计集合中的doc的数量

step1，定义Map函数和reduce函数

对于每个doc，直接返回key 和 一个doc：{count:1}

map=function (){
for(var key in this)
{
  emit(key,{count:1});
}
}

reduce=function (key,emits){
total=0;
for(var i in emits){
  total+=emits[i].count;
}
return {"count":total};
}

step2，执行MapReduce运算
在集合 foo上执行MapReduce运算，返回mr 对象

mr=db.runCommand(
{
"mapreduce":"foo",
"map":map,
"reduce":reduce,
out:"Count Doc"
})

step3，查看MapReduce计算的结果

db[mr.result].find()

示例2，统计集合foo中不同age的数量

step1，定义Map 和 Reduce函数

Map函数的作用是对每个doc进行一次映射，返回age 和 {count：1}；

经过Shuffle，每个age都有一个列表：[{count:1},{count:1},{count:1},{count:1},,,,,]，有多少个不同的age，MongoDB都会调用多少次Reduce函数，每次调用时，Key值是不同的。

Reduce函数的作用：对MongoDB的一次调用，对age对应的列表进行聚合运算。

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

reduce= function (key,emits)
{
total=0;
for(var i in emits)
{
   total+=emits[i].count;
}

return {"age":key,count:total};
}

step2，执行MapReduce聚合运算

mr=db.runCommand(
{
"mapreduce":"foo",
"map":map,
"reduce":reduce,
out:"Count Doc"
})

step3，查看聚合运算的结果

db[mr.result].find()

示例3，研究reduce函数的特性

reduce函数具有累加的特性，通过多次调用，能够产生最终的累加值，例如，以下reduce函数对于任意一个特定的key，reduce都能计算key的数量

reduce= function (key,emits)
{
total=0;
for(var i in emits)
{
   total+=emits[i].count;
}

return {"key":key,count:total};
}

调用示例：传递的Key是相同的，都是“x”，每个emits都是一个数组，反复调用reduce函数，最终获得key的累加值。

r1=reduce("x",[{count:1},{count:2}])
r2=reduce("x",[{count:3},{count:5}])
r3=reduce("x",[r1,r2])

参考doc：

Aggregation