MongoDB MapReduce
MapReduce是一種計算模型,簡單的說就是將大批量的工作(數據)分解(MAP)執行,然後再將結果合並成最終結果(REDUCE)。這樣做的好處是可以在任務被分解後,可以通過大量機器進行並行計算,減少整個操作的時間。
上面是MapReduce的理論部分,下面說實際的應用,下面以MongoDB MapReduce為例說明。
下面是MongoDB官方的一個例子:
復制代碼 代碼如下:
> 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 } }
例子很簡單,計算一個標簽系統中每個標簽出現的次數。
這裡面,除了emit函數之外,所有都是標准的js語法,這個emit函數是非常重要的,可以這樣理解,當所有需要計算的文檔(因為在mapReduce時,可以對文檔進行過濾,接下來會講到)執行完了map函數,map函數會返回key_values對,key即是emit中的第一個參數key,values是對應同一key的emit的n個第二個參數組成的數組。這個key_values會作為參數傳遞給reduce,分別作為第1.2個參數。
reduce函數的任務就是將key-values變成key-value,也就是把values數組變成一個單一的值value。當key-values中的values數組過大時,會被再切分成很多個小的key-values塊,然後分別執行Reduce函數,再將多個塊的結果組合成一個新的數組,作為Reduce函數的第二個參數,繼續Reducer操作。可以預見,如果我們初始的values非常大,可能還會對第一次分塊計算後組成的集合再次Reduce。這就類似於多階的歸並排序了。具體會有多少重,就看數據量了。
reduce一定要能被反復調用,不論是映射環節還是前一個簡化環節。所以reduce返回的文檔必須能作為reduce的第二個參數的一個元素。
(當書寫Map函數時,emit的第二個參數組成數組成了reduce函數的第二個參數,而Reduce函數的返回值,跟emit函數的第二個參數形式要一致,多個reduce函數的返回值可能會組成數組作為新的第二個輸入參數再次執行Reduce操作。)
MapReduce函數的參數列表如下:
復制代碼 代碼如下:
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]
}
);
或者這麼寫:
復制代碼 代碼如下:
db.collection.mapReduce(
<map>,
<reduce>,
{
<out>,
<query>,
<sort>,
<limit>,
<keytemp>,
<finalize>,
<scope>,
<jsMode>,
<verbose>
}
)
1.mapreduce:指定要進行mapreduce處理的collection
2.map:map函數
3.reduce:reduce函數
4.out:輸出結果的collection的名字,不指定會默認創建一個隨機名字的collection(如果使用了out選項,就不必指定keeptemp:true了,因為已經隱含在其中了)
5.query:一個篩選條件,只有滿足條件的文檔才會調用map函數。(query。limit,sort可以隨意組合)
6.sort:和limit結合的sort排序參數(也是在發往map函數前給文檔排序),可以優化分組機制
7.limit:發往map函數的文檔數量的上限(要是沒有limit,單獨使用sort的用處不大)
8.keytemp:true或false,表明結果輸出到的collection是否是臨時的,如果想在連接關閉後仍然保留這個集合,就要指定keeptemp為true,如果你用的是MongoDB的mongo客戶端連接,那必須exit後才會刪除。如果是腳本執行,腳本退出或調用close會自動刪除結果collection
9.finalize:是函數,它會在執行完map、reduce後再對key和value進行一次計算並返回一個最終結果,這是處理過程的最後一步,所以finalize就是一個計算平均數,剪裁數組,清除多余信息的恰當時機
10.scope:javascript代碼中要用到的變量,在這裡定義的變量在map,reduce,finalize函數中可見
11.verbose:用於調試的詳細輸出選項,如果想看MpaReduce的運行過程,可以設置其為true。也可以print把map,reduce,finalize過程中的信息輸出到服務器日志上。
執行MapReduce函數返回的文檔結構如下:
復制代碼 代碼如下:
{ 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:儲存結果的collection的名字,這是個臨時集合,MapReduce的連接關閉後自動就被刪除了。
2.timeMillis:執行花費的時間,毫秒為單位
3.input:滿足條件被發送到map函數的文檔個數
4.emit:在map函數中emit被調用的次數,也就是所有集合中的數據總量
5.ouput:結果集合中的文檔個數(count對調試非常有幫助)
6.ok:是否成功,成功為1
7.err:如果失敗,這裡可以有失敗原因,不過從經驗上來看,原因比較模糊,作用不大
java代碼執行MapReduce的方法:
復制代碼 代碼如下:
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());
}
}