摘要：開門見山，是我造的，哈哈，為的就是讓各位能夠對引起注意。執行一次，，果然就可以使用我們自定義的函數了。到這里，我們基本就可以實現一個自定義的的強大組合了上海小胖原創地址歡迎各位大神前來評論。每周五，敬請期待，上海小胖獨更。

開門見山，20%是我造的，哈哈，為的就是讓各位mongoer能夠對db.system.js collection 引起注意。

這個也是在我最近瀏覽InfoQ 的時候，看到一篇關于MongoDB 文章¹的時候意識到的問題，隨后和開發們溝通了下，結果是對這個collection 不是很了解，遂生此文。

先來看下官文給出的解釋：

.system.js
The .system.js collection holds special JavaScript code for use in server side JavaScript. See Store a JavaScript Function on the Server for more information.

解釋很簡單，馬上就進入實操環節

db.system.js.save(
   {
     _id: "echoFunction",
     value : function(x) { return x; }
   }
)

但是并沒有任何效果，shell里表示，echoFunction undefined.

在查看 db.system.js 確實有一條記錄

> db.system.js.find({_id: "echoFunction"}).pretty()
{
        "_id" : "echoFunction",
        "value" : {
                "code" : "function (x) { return x; }"
        }
}

繼續查看doc，原來還需要通過 loadServerScripts 函數 load 進數據字典，這個操作就有點像我們在linux 環境中 source ~/.bash_profile 一樣了。

執行一次，db.loadServerScripts() ， 果然就可以使用我們自定義的函數了。

那問題來了，如何提升我們的工作效率呢？

在MongoDB 中，雖然有 $sum, $avg 等一系列的pipeline，但是，對于DBA也好，Developer 也罷，許多的報表、統計aggregation 并不能完全代勞，mapReduce 就是為了這個時候而上的，那每次都要去寫一個function 去 sum，去 avg 總顯得在反復造輪子，因此我們完全可以在這種情況下，在 db.system.js 中加入我們常用的統計函數，比如 sum, avg, max, min 等等。

這里我就給出自己常用的函數供大家參考：

SUM

db.system.js.save( { _id : "Sum" ,
value : function(key,values)
{
    var total = 0;
    for(var i = 0; i < values.length; i++)
        total += values[i];
    return total;
}});

AVERAGE

db.system.js.save( { _id : "Avg" ,
value : function(key,values)
{
    var total = Sum(key,values);
    var mean = total/values.length;
    return mean;
}});

MAX

db.system.js.save( { _id : "Max" ,
value : function(key,values)
{
    var maxValue=values[0];
    for(var i=1;imaxValue)
        {
            maxValue=values[i];
        }
    }
    returnmaxValue;
}});

MIN

db.system.js.save( { _id : "Min" ,
value : function(key,values)
{
    var minValue=values[0];
    for(var i=1;i
VARIANCE
db.system.js.save( { _id : "Variance" ,
value : function(key,values)
{
    var squared_Diff = 0;
    var mean = Avg(key,values);
    for(var i = 0; i < values.length; i++)
    {
        var deviation = values[i] - mean;
        squared_Diff += deviation * deviation;
    }
    var variance = squared_Diff/(values.length);
    return variance;
}});
STD DEVIATION
db.system.js.save( { _id : "Standard_Deviation"
, value : function(key,values)
{
    var variance = Variance(key,values);
    return Math.sqrt(variance);
}});
MapReduce
那么接下來我們就用Map-Reduce來結合之前的自定義聚合函數來做詳解。（這里權當各位大佬熟悉Map-Reduce了）
引入demo data
{ "_id" : ObjectId("4f7be0d3e37b457077c4b13e"), "_class" : "com.infosys.mongo.Sales", "orderId" : 1, "orderDate" : "26/03/2011",
"quantity" : 20, "salesAmt" : 200, "profit" : 150, "customerName" : "CUST1", "productCategory" : "IT", "productSubCategory" : "software", 
"productName" : "Grad", "productId" : 1 }
{ "_id" : ObjectId("4f7be0d3e37b457077c4b13f"), "_class" : "com.infosys.mongo.Sales", "orderId" : 2, "orderDate" : "23/05/2011", 
"quantity" : 30, "salesAmt" : 200, "profit" : 40, "customerName" : "CUST2", "productCategory" : "IT", "productSubCategory" : "hardware",
 "productName" : "HIM", "productId" : 1 }
{ "_id" : ObjectId("4f7be0d3e37b457077c4b140"), "_class" : "com.infosys.mongo.Sales", "orderId" : 3, "orderDate" : "22/09/2011",
 "quantity" : 40, "salesAmt" : 200, "profit" : 80, "customerName" : "CUST1", "productCategory" : "BT", "productSubCategory" : "services",
 "productName" : "VOCI", "productId" : 2 }
{ "_id" : ObjectId("4f7be0d3e37b457077c4b141"), "_class" : "com.infosys.mongo.Sales", "orderId" : 4, "orderDate" : "21/10/2011", 
"quantity" : 30, "salesAmt" : 200, "profit" : 20, "customerName" : "CUST3", "productCategory" : "BT", "productSubCategory" : "hardware", 
"productName" : "CRUD", "productId" : 2 }
{ "_id" : ObjectId("4f7be0d3e37b457077c4b142"), "_class" : "com.infosys.mongo.Sales", "orderId" : 5, "orderDate" : "21/06/2011", 
"quantity" : 50, "salesAmt" : 200, "profit" : 20, "customerName" : "CUST3", "productCategory" : "BT", "productSubCategory" : "hardware", 
"productName" : "CRUD", "productId" : 1 }
創建聚合函數Sum
db.system.js.save({ 
    _id : "Sum" ,
    value: function(key,values) {
                    var total = 0;
                    for(var i = 0; i < values.length; i++)
                        total += values[i];
                    return total;
            }
    });
結合Sum 聚合函數執行Map-Reduce
db.runCommand(
    {
        mapreduce: "sales" ,
        map: function() {
            emit({
                key0:this.productCategory,
                key1:this.productSubCategory,
                key2:this.productName
            },
            this.salesAmt
            );
        },
        reduce: function(key, values) {
            var result = Sum(key, values);
            return result;
        },
        out: {inline: 1}
    }
)
這里，就直接把結果輸出的stdout 了，如果需要可以指定collection，將我們的Map-Reduce結果存儲下來。
來看一下結果
{
        "results" : [
                {
                        "_id" : {
                                "key0" : "BT",
                                "key1" : "hardware",
                                "key2" : "CRUD"
                        },
                        "value" : 400
                },
                {
                        "_id" : {
                                "key0" : "BT",
                                "key1" : "services",
                                "key2" : "VOCI"
                        },
                        "value" : 200
                },
                {
                        "_id" : {
                                "key0" : "IT",
                                "key1" : "hardware",
                                "key2" : "HIM"
                        },
                        "value" : 200
                },
                {
                        "_id" : {
                                "key0" : "IT",
                                "key1" : "software",
                                "key2" : "Grad"
                        },
                        "value" : 200
                }
        ],
        "timeMillis" : 14,
        "counts" : {
                "input" : 5,
                "emit" : 5,
                "reduce" : 1,
                "output" : 4
        },
        "ok" : 1
}
這里可以看到，我們的Sum 函數已經將emit 過后的 "productCategory" : "BT", "productSubCategory" : "hardware", "productName" : "CRUD" 這組數據的 salesAmt 累加了。
到這里，我們基本就可以實現一個自定義的Function + Map-Reduce 的強大組合了！
上海小胖[MiracleYoung] 原創地址: https://segmentfault.com/u/shanghaixiaopang/articles
歡迎各位大神前來評論。
每周五，敬請期待，上海小胖[MiracleYoung] 獨更。
如果夏雨荷還在大明湖畔等著我的話，我就不更了。

 Implementing Aggregation Functions in MongoDB ?