MongoDB mapReduce和Spring Data配合使用详解

最新推荐文章于 2024-04-27 03:36:25 发布

caodaoxi

最新推荐文章于 2024-04-27 03:36:25 发布

阅读量613

点赞数

分类专栏： mongo

mongo 专栏收录该内容

3 篇文章 0 订阅

订阅专栏

经过几天的折腾，终于弄明白了MongoDB mapReduce在和Spring Data配合使用的方法，简单来说，首先要弄清楚什么是Map Reduce，为什么我们要用map reduce做统计，一般来说，对应sql语句的group by的场景，都需要用到map reduce。 map reduce的map函数和reduce函数都是javascript写的，因此先要在mongo client先跑通，然后再到spring里面集成。具体如下：

来源 http://xiaofancn.iteye.com/blog/1184712

MapReduce是一个编程模型，封装了并行计算、容错、数据分布、负载均衡等细节问题。

输入是一个key-value对的集合，中间输出也是key-value对的集合，用户使用两个函数：Map和Reduce。

在使用MongoDb的mapreduce功能时，我找Java代码找半天，结果练了半天的Javascript代码。

MongoDb是通过解析“Javascript”代码来计算的。所有我们先用Javascript代码调通，再使用Java代码拼接使用这个MapReduce功能。

     Java代码   
     
   
 db.runCommand(  
 {  
     mapreduce : <collection>,  
     map : <mapfunction>,  
     reduce : <reducefunction>  
     [, query : <query filter object>]  
     [, sort : <sort the query.  useful   optimization>] for  
     [, limit : <number of objects to   from collection>] return  
     [, out : <output-collection name>]  
     [, keeptemp: < | >] true false  
     [, finalize : <finalizefunction>]  
     [, scope : <object where fields go into javascript global scope >]  
     [, verbose :  ] true  
 });  

参数说明:

mapreduce: 要操作的目标集合。
map: 映射函数 (生成键值对序列，作为 reduce 函数参数)。
reduce: 统计函数。
query: 目标记录过滤。
sort: 目标记录排序。
limit: 限制目标记录数量。
out: 统计结果存放集合 (不指定则使用临时集合，在客户端断开后自动删除)。
keeptemp: 是否保留临时集合。
finalize: 最终处理函数 (对 reduce 返回结果进行最终整理后存入结果集合)。
scope: 向 map、reduce、finalize 导入外部变量。
verbose: 显示详细的时间统计信息

先看看我们的文档结果

我使用上一篇文章插入数据 http://xiaofancn.iteye.com/blog/1163200

讲讲我们要实现的功能，就是按照名字name统计记录个数。

     Java代码   
     
   
 D:\Program Files\mongodb>bin\mongo  
 MongoDB shell version: 2.0.0  
 connecting to: test  
 > use test;  
 switched to db test  
 > map = function() {  
 ... emit(this.name, {count:1});  
 ... };  
 function () {  
     emit(this.name, {count:1});  
 }  
 > reduce = function(key, values) {  
 ... var total = 0;  
 ... var index =0;  
 ... for(var i=0;i<values.length;i++){  
 ...  total += values[i].count;  
 ...  index = i;  
 ... }  
 ... return {count:total};  
 ... };  
 function (key, values) {  
     var total = 0;  
     var index = 0;  
     for (var i = 0; i < values.length; i++) {  
         total += values[i].count;  
         index = i;  
     }  
     return {count:total};  
 }  
 > db.person.mapReduce(map, reduce, {out : "resultCollection"});  
 {  
         "result" : "resultCollection",  
         "timeMillis" : 112,  
         "counts" : {  
                 "input" : 10,  
                 "emit" : 10,  
                 "reduce" : 2,  
                 "output" : 2  
         },  
         "ok" : 1,  
 }  
 > db.resultCollection.find();  
 { "_id" : "xiaofancn", "value" : { "count" : 3 } }  
 { "_id" : "小樊", "value" : { "count" : 7 } }  

     Java代码   
     
   
 map = function() {   
     emit(this.name, {count:1});  
 };  

此函数是形成下面的key-values结构的，emit就是指定key和value的，也是结果的数据结构。

xiaofancn [{count:1},{count:1},{count:1}]

由于name字段为xiaofancn的person有三个，所以形成三个{count:1}数组。

     Java代码   
     
   
 reduce = function(key, values) {  
     var total = 0;  
     for(var i=0;i<values.length;i++){  
          total += values[i].count;  
     }  
     return {count:total};  
 };  

reduce函数中参数key和map函数的emit指定的key（this.name）是同一个key（name），values就是map函数形成的values（ [{count:1},{count:1},{count:1}]）

经过reduce函数处理就形成了key和一个最终的 {count:3}数据结构。定义好的函数，需要MongoDB执行

     Java代码   
     
   
 db.person.mapReduce(map, reduce, {out : "resultCollection"});  
 db.resultCollection.find();  

db代表当前的数据库，person当前的文档，mapReduce调用函数，out：是指定输出的文档名称。

好了，会使用Javascript，使用Java就是拼接我们的Javascript代码了。

     Java代码   
     
   
 public void MapReduce() {  
   
         DBCollection personColl = mongoOperations.getCollection(mongoOperations  
                 .getCollectionName(Person.class));  
         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 = personColl.mapReduce(map,  
                 reduce.toString(), result, null);  
         DBCollection resultColl = mapReduceOutput.getOutputCollection();  
         DBCursor cursor= resultColl.find();  
         while (cursor.hasNext()) {  
             System.out.println(cursor.next());  
         }  
     }  