基于MongoDB MapReduce的统计分析
前面已经简单介绍了MongoDB在OECP社区的一个应用:动态消息的设计实现 。在上次的应用中,我们只介绍了MongoDB最基本的查询的功能,今天我再介绍一下MongoDB更加高级的应用:用MongoDB做统计分析。
OECP社区中,我们为了更加准确的分析网站的访问情况,以便能够为用户更准确的推荐他们感兴趣的内容,我们需要将页面的访问记录存储下来。对于这些数据,主要由以下几个特点:
- 与业务无关,尽量将数据存储和业务数据分离,减少业务数据库的压力。而且对数据的一致性要求不高。
- 每当访问一个页面就要存储一条记录,实时插入操作的要求很高,当然可以使用缓存作为临时缓冲来解决数据频繁更新的问题。
- 数据随着访问量的增长膨胀的很快,如果一个页面1天有100个PageViews,将会新增100条数据,数据量远远高于业务数据,而且要比我们上次说的 消息动态的数据的数量级要大得多。网站要尽量存储至少两个月的数据,当网站访问量很大的时候,要解决的是海量数据的存储。
所以从存储上考虑,我们依然选择了MongoDB作为持久存储。由于NoSQL数据库在数据查询的多样性能力太低,特别是标准的Key-Value数据 库,一般的做法就是用NoSQL负责日志的存储,分析需要将数据抽取到关系数据库中再进行统计查询。但是MongoDB却提供给我们非常丰富的查询统计功 能,group 和MapReduce都能实现SQL中group by,sum,count之类的统计查询分析。Group的功能已经可以实现简单的统计功能,但是当数据量非常大的时候,group处理能力就不太好了, 所以我们一开始就使用MapReduce进行统计分析。
先看一下官方对MapReduce的介绍:
db.runCommand(
{ mapreduce : <collection>,
map : <mapfunction>,
reduce : <reducefunction>
[, query : <query filter object>]
[, sort : <sort the query. useful foroptimization>]
[, limit : <number of objects to returnfrom collection>]
[, out : <output-collection name>]
[, keeptemp: <true|false>]
[, finalize : <finalizefunction>]
[, scope : <object where fields go into javascript global scope >]
[, verbose : true]
}
);
而java驱动下提供的方法主要有两个:
DBCollection.mapReduce(String map, String reduce,String outputCollection,
DBObject query);
DBCollection.mapReduce(DBObject command);//该接口按照上面的介绍,总是报错,不知道此该如何应用
PV数据存储结构:(这些属性主要是为了支持我们以后根据各种维度去分析)
entityId:实体ID,
entityName:实体名称,
userid :(登录)访问者ID,
sessionId:会话ID,
referer :来源URL,
url :当前页面url ,
title:显示的标题,
date:访问时间,
ip :访问者IP
第一个应用场景:当访问某用户的空间时,得到某用户最新的访问记录,同一个页面重复访问的话,返回最新的一次访问。
- 首先是map方法,主要是定义outputCollection的结构。OutputCollection的输出结构为:{_id:key,value:value}
- String mapfun = "function(){emit({url:this.url,title:this.title},this.date)}" ; //key={url:this.url,title:this.title},value=reduce方法的返回值。
- 其次是reduce方法
- String reducefun = "function(key,vals){var date=0; for(var i in vals){ if(date==0){date=vals[i];}else if(vals[i]>date){date=vals[i];}} return date;}" ; //如果同一个key的数据,相互比较时间,将最近时间返回。
- 执行
- DBObject query = newBasicDBObject();
- query.put( "userid" , userid);
- query.put( "date" , newBasicDBObject( "$gte" , fromDate));
- *.getCollection().mapReduce(mapfun, reducefun, "pageview_results" , query); //最好定义query,以降低统计的原始结果集
- 遍历pageview_results集合的结果:[{_id:{url:”/blog/yongtree/258”,title:’博客 1’},value:’2010-10-11 20:30:56’},{_id:{url:”/blog/slx/288”,title:’博客2’}, value:’2010-10-01 02:23:33’}]
注意:mapfun和reducefun字符串里面是写的javascript的方法,MongoDB可以在服务器端进行js的解析。如果这个方法写的不对,程序将不能正常执行。
第二个应用场景:当访问某个具体的内容时,返回某段时间曾经浏览过这篇文章的其他人关注的其他内容,以便对当前用户有一个内容的引导。
- 首先先找出某段时间内曾经访问该内容的人作为统计的条件,我们使用sessionId而不是userid,是为了将没有登录的用户的访问算进来一起统计
- DBObject query = newBasicDBObject();
- query.put( "entityId" , entityId);
- query.put( "entityName" , entityName);
- query.put( "date" , newBasicDBObject( "$gte" , fromDate));
- query.put( "date" , newBasicDBObject( "$lt" , toDate));
- List sessionIds = this .mongoService.getCollection().distinct( "sessionId" , query); //这里运用了取出结果集中的重复值的函数distinct(String key,DBObject query),相当于SQL:select distinct(name) from table
- 定义map方法,主要是定义outputCollection的结构。OutputCollection的输出结构为:{_id:key,value:次数浏览的次数}
- String mapfun = " function(){emit({url:this.url,title:this.title},1)}" ; //key={url:this.url,title:this.title},value=reduce方法的返回值。以为是计算数据的次数,所以这里的value定义的是常量1
- 定义reduce方法
- String reducefun = " function(key,vals){var count=0; for(var i in vals){count+=vals[i];} return count;}" ; //如果同一个key的数据出现的次数进行求和。
- 执行
- *.getCollection().mapReduce(mapfun, reducefun, "pageview_results" , new BasicDBObject( "sessionId" , new BasicDBObject( "$in" ,sessionIds.toArray())));
- 遍历pageview_results集合的结果:[{_id:{url:”/blog/yongtree/258”,title:’博客 1’},value:’45.0’},{_id:{url:”/blog/slx/288”,title:’博客2’}, value:’30.0’}]
前台展现的效果:
- 当进入用户空间时,展现空间主人关心的其他内容
- 当浏览某篇内容时,展现其他浏览者的关心的内容
继续关注OECP社区 ,我们将会实践和发布更多基于MongoDB的应用。本着共享的精神,该文档可以被转载和应用,但是要注明出处。
作者主页:http://www.po-soft.com/hi/yongtree