摘要：操作花費的時間，單位是毫秒。處理完成后，會自動將臨時集合的名字更改為你指定的集合名，這個重命名的過程是原子性的。作用域在這些函數內部是不變的。上一篇文章指南聚合下一篇文章指南聚合命令

上一篇文章：MongoDB指南---16、聚合
下一篇文章：MongoDB指南---18、聚合命令

MapReduce是聚合工具中的明星，它非常強大、非常靈活。有些問題過于復雜，無法使用聚合框架的查詢語言來表達，這時可以使用MapReduce。MapReduce使用JavaScript作為“查詢語言”，因此它能夠表達任意復雜的邏輯。然而，這種強大是有代價的：MapReduce非常慢，不應該用在實時的數據分析中。
MapReduce能夠在多臺服務器之間并行執行。它會將一個大問題分割為多個小問題，將各個小問題發送到不同的機器上，每臺機器只負責完成一部分工作。所有機器都完成時，再將這些零碎的解決方案合并為一個完整的解決方案。
MapReduce需要幾個步驟。最開始是映射（map），將操作映射到集合中的每個文檔。這個操作要么“無作為”，要么“產生一些鍵和X個值”。然后就是中間環節，稱作洗牌（shuffle），按照鍵分組，并將產生的鍵值組成列表放到對應的鍵中。化簡（reduce）則把列表中的值化簡成一個單值。這個值被返回，然后接著進行洗牌，直到每個鍵的列表只有一個值為止，這個值也就是最終結果。
下面會多舉幾個MapReduce的例子，這個工具非常強大，但也有點復雜。

用MapReduce來解決這個問題有點大材小用，不過還是一種了解其機制的不錯的方式。要是已經知道MapReduce的原理，則直接跳到本節最后，看看MongoDB中MapReduce的使用注意事項。
MongoDB會假設你的模式是動態的，所以并不跟蹤記錄每個文檔中的鍵。通常找到集合中所有文檔所有鍵的最好方式就是用MapReduce。在本例中，會記錄每個鍵出現了多少次。內嵌文檔中的鍵就不計算了，但給map函數做個簡單修改就能實現這個功能了。
在映射環節，我們希望得到集合中每個文檔的所有鍵。map函數使用特別的emit函數“返回”要處理的值。emit會給MapReduce一個鍵（類似于前面$group所使用的鍵）和一個值。這里用emit將文檔某個鍵的計數（count）返回（{count : 1}）。我們想為每個鍵多帶帶計數，所以為文檔中的每個鍵調用一次emit。this就是當前映射文檔的引用:

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

這樣就有了許許多多{count : 1}文檔，每一個都與集合中的一個鍵相關。這種由一個或多個{count : 1}文檔組成的數組，會傳遞給reduce函數。reduce函數有兩個參數，一個是key，也就是emit返回的第一個值，還有另外一個數組，由一個或者多個與鍵對應的{count : 1}文檔組成。

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

reduce一定要能夠在之前的map階段或者前一個reduce階段的結果上反復執行。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。例如，x鍵映射到了3個文檔{count : 1，id : 1}、{count : 1，id : 2}和{count : 1，id : 3}，其中id鍵只用于區分不同的文檔。MongoDB可能會這樣調用reduce：

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

不能認為第二個參數總是初始文檔之一（比如{count:1}）或者長度固定。reduce應該能處理emit文檔和其他reduce返回結果的各種組合。
總之，MapReduce函數可能會是下面這樣：

> mr = db.runCommand({"mapreduce" : "foo", "map" : map, "reduce" : reduce})
{
    "result" : "tmp.mr.mapreduce_1266787811_1",
    "timeMillis" : 12,
    "counts" : {
        "input" : 6
        "emit" : 14
        "output" : 5
    },
    "ok" : true
}

MapReduce返回的文檔包含很多與操作有關的元信息。

"result" : "tmp.mr.mapreduce_1266787811_1"

這是存放MapReduce結果的集合名。這是個臨時集合，MapReduce的連接關閉后它就被自動刪除了。本章稍后會介紹如何指定一個好一點的名字以及將結果集合持久化。

"timeMillis" : 12

操作花費的時間，單位是毫秒。

"counts" : { ... }

這個內嵌文檔主要用作調試，其中包含3個鍵。

"input" : 6

發送到map函數的文檔個數。

"emit" : 14

在map函數中emit被調用的次數。

"output" : 5

結果集合中的文檔數量。
對結果集合進行查詢會發現原有集合的所有鍵及其計數：
···

db[mr.result].find()
{ "_id" : "_id", "value" : { "count" : 6 } }
{ "_id" : "a", "value" : { "count" : 4 } }
{ "_id" : "b", "value" : { "count" : 2 } }
{ "_id" : "x", "value" : { "count" : 1 } }
{ "_id" : "y", "value" : { "count" : 1 } }
···
這個結果集中的每個"_id"對應原集合中的一個鍵，"value"鍵的值就是reduce的最終結果。

假設有個網站，人們可以提交其他網頁的鏈接，比如reddit（http://www.reddit.com）。提交者可以給這個鏈接添加標簽，表明主題，比如politics、geek或者icanhascheezburger。可以用MapReduce找出哪個主題最為熱門，熱門與否由最近的投票決定。
首先，建立一個map函數，發出（emit）標簽和一個基于流行度和新舊程度的值。

map = function() {
    for (var i in this.tags) {
        var recency = 1/(new Date() - this.date); 
        var score = recency * this.score;

        emit(this.tags[i], {"urls" : [this.url], "score" : score});
    }
};

現在就化簡同一個標簽的所有值，以得到這個標簽的分數：

reduce = function(key, emits) {
    var total = {urls : [], score : 0}
    for (var i in emits) {
        emits[i].urls.forEach(function(url) {
            total.urls.push(url);
        }
        total.score += emits[i].score;
    }
    return total;
};

最終的集合包含每個標簽的URL列表和表示該標簽流行程度的分數。

前面兩個例子只用到了mapreduce、map和reduce鍵。這3個鍵是必需的，但是MapReduce命令還有很多可選的鍵。

"finalize" : function

可以將reduce的結果發送給這個鍵，這是整個處理過程的最后一步。

"keeptemp" : boolean

如果為值為true，那么在連接關閉時會將臨時結果集合保存下來，否則不保存。

"out" : string

輸出集合的名稱。如果設置了這選項，系統會自動設置keeptemp : true。

"query" : document

在發往map函數前，先用指定條件過濾文檔。

"sort" : document

在發往map前先給文檔排序（與limit一同使用非常有用）。

"limit" : integer

發往map函數的文檔數量的上限。

"scope" : document

可以在JavaScript代碼中使用的變量。

"verbose" : boolean

是否記錄詳細的服務器日志。

和group命令一樣，MapReduce也可以使用finalize函數作為參數。它會在最后一個reduce輸出結果后執行，然后將結果存到臨時集合中。
返回體積比較大的結果集對MapReduce不是什么大不了的事情，因為它不像group那樣有4 MB的限制。然而，信息總是要傳遞出去的，通常來說，finalize是計算平均數、裁剪數組、清除多余信息的好時機。

默認情況下，Mongo會在執行MapReduce時創建一個臨時集合，集合名是系統選的一個不太常用的名字，將"mr"、執行MapReduce的集合名、時間戳以及數據庫作業ID，用“.”連成一個字符串，這就是臨時集合的名字。結果產生形如mr.stuff.18234210220.2這樣的名字。MongoDB會在調用的連接關閉時自動銷毀這個集合（也可以在用完之后手動刪除）。如果希望保存這個集合，就要將keeptemp選項指定為true。
如果要經常使用這個臨時集合，你可能想給它起個好點的名字。利用out選項（該選項接受字符串作為參數）就可以為臨時集合指定一個易讀易懂的名字。如果用了out選項，就不必指定keeptemp : true了，因為指定out選項時系統會將keeptemp設置為true。即便你取了一個非常好的名字，MongoDB也會在MapReduce的中間過程使用自動生成的集合名。處理完成后，會自動將臨時集合的名字更改為你指定的集合名，這個重命名的過程是原子性的。也就是說，如果多次對同一個集合調用MapReduce，也不會在操作中遇到集合不完整的情況。
MapReduce產生的集合就是一個普通的集合，在這個集合上執行MapReduce完全沒有問題，或者在前一個MapReduce的結果上執行MapReduce也沒有問題，如此往復直到無窮都沒問題!

有時需要對集合的一部分執行MapReduce。只需在傳給map函數前使用查詢對文檔進行過濾就好了。
每個傳遞給map函數的文檔都要先反序列化，從BSON對象轉換為JavaScript對象，這個過程非常耗時。如果事先知道只需要對集合的一部分文檔執行MapReduce，那么在map之前先對文檔進行過濾可以極大地提高map速度。可以通過"query"、"limit"和"sort"等鍵對文檔進行過濾。
"query"鍵的值是一個查詢文檔。通常查詢返回的結果會傳遞給map函數。例如，有一個做跟蹤分析的應用程序，現在我們需要上周的總結摘要，只要使用如下命令對上周的文檔執行MapReduce就好了：

> db.runCommand({"mapreduce" : "analytics", "map" : map, "reduce" : reduce,
                 "query" : {"date" : {"$gt" : week_ago}}})

sort選項和limit一起使用時通常能夠發揮非常大的作用。limit也可以多帶帶使用，用來截取一部分文檔發送給map函數。
如果在上個例子中想分析最近10 000個頁面的訪問次數（而不是最近一周的），就可以使用limit和sort：

> db.runCommand({"mapreduce" : "analytics", "map" : map, "reduce" : reduce,
                 "limit" : 10000, "sort" : {"date" : -1}})

query、limit、sort可以隨意組合，但是如果不使用limit的話，sort就不能有效發揮作用。

MapReduce可以為map、reduce、finalize函數都采用一種代碼類型。但多數語言里，可以指定傳遞代碼的作用域。然而MapReduce會忽略這個作用域。它有自己的作用域鍵"scope"，如果想在MapReduce中使用客戶端的值，則必須使用這個參數。可以用“變量名 : 值”這樣的普通文檔來設置該選項，然后在map、reduce和finalize函數中就能使用了。作用域在這些函數內部是不變的。例如，上一節的例子使用1/(newDate() - this.date)計算頁面的新舊程度。可以將當前日期作為作用域的一部分傳遞進去：

> db.runCommand({"mapreduce" : "webpages", "map" : map, "reduce" : reduce,
                 "scope" : {now : new Date()}})

這樣，在map函數中就能計算1/(now - this.date)了。

還有個用于調試的詳細輸出選項。如果想看看MapReduce的運行過程，可以將"verbose"指定為true。
也可以用print把map、reduce、finalize過程中的信息輸出到服務器日志上。

上一篇文章：MongoDB指南---16、聚合
下一篇文章：MongoDB指南---18、聚合命令