map
英[mæp] 美[mæp]
n . Zeichnen Sie eine Karte (eines Gebiets usw.); detaillierte Planung;
Englisch [rɪˈdju:s]vt ; zum Abschwächen; zum Verdampfen; zum Verdampfen;
MongoDB Map Reduce-Funktion Syntax
Funktion:Map-Reduce ist ein Rechenmodell, das eine große Menge an Arbeit (Daten) zur Ausführung zerlegt (MAP) und die Ergebnisse dann zum Endergebnis zusammenführt (REDUCE). Das von MongoDB bereitgestellte Map-Reduce ist sehr flexibel und für die Analyse umfangreicher Daten sehr praktisch.
Syntax:>db.collection.mapReduce( function() {emit(key,value);}, //map function
function(key,values) {return ReduceFunction}, //reduce function {out: Sammlung, Abfrage: Dokument, Sortierung: Dokument, Grenze: Nummer }) Verwenden Sie MapReduce, um zwei Funktionen zu implementieren: die Map-Funktion und die Reduce-Funktion. Die Map-Funktion ruft emit(key, value) auf, durchläuft alle Datensätze in der Sammlung und übergibt den Schlüssel und den Wert zur Verarbeitung an die Reduzierfunktion. Die Map-Funktion muss emit(key, value) aufrufen, um das Schlüssel-Wert-Paar zurückzugeben.
Parameter:map: Zuordnungsfunktion (erzeugt eine Folge von Schlüssel-Wert-Paaren als Parameter der Reduzierungsfunktion). Reduzieren Sie die statistische Funktion. Die Aufgabe der Reduzierungsfunktion besteht darin, Schlüsselwerte in Schlüsselwerte umzuwandeln, dh das Wertearray in einen einzelnen Wert umzuwandeln. . out Die statistischen Ergebnisse werden in einer Sammlung gespeichert (falls nicht angegeben, wird eine temporäre Sammlung verwendet, die automatisch gelöscht wird, nachdem die Verbindung zum Client getrennt wurde). Die Abfrage ist eine Filterbedingung. Nur Dokumente, die die Bedingung erfüllen, rufen die Kartenfunktion auf. (Abfrage, Grenze und Sortierung können nach Belieben kombiniert werden) Die Sortierparameter „Sortierung“ können in Kombination mit „Sortierung“ und „Grenze“ (auch Sortieren der Dokumente vor dem Senden an die Kartenfunktion) die Grenze des Gruppierungsmechanismus optimieren und die Obergrenze der Anzahl begrenzen der an die Kartenfunktion gesendeten Dokumente (wenn es keine Begrenzung gibt, nützt die Sortierung allein wenig)
MongoDB Map Reduce-Funktion Beispiel
>db.posts.insert({ "post_text": "php中文网，最全的技术文档。", "user_name": "mark", "status":"active" }) WriteResult({ "nInserted" : 1 }) >db.posts.insert({ "post_text": "php中文网，最全的技术文档。", "user_name": "mark", "status":"active" }) WriteResult({ "nInserted" : 1 }) >db.posts.insert({ "post_text": "php中文网，最全的技术文档。", "user_name": "mark", "status":"active" }) WriteResult({ "nInserted" : 1 }) >db.posts.insert({ "post_text": "php中文网，最全的技术文档。", "user_name": "mark", "status":"active" }) WriteResult({ "nInserted" : 1 }) >db.posts.insert({ "post_text": "php中文网，最全的技术文档。", "user_name": "mark", "status":"disabled" }) WriteResult({ "nInserted" : 1 }) >db.posts.insert({ "post_text": "php中文网，最全的技术文档。", "user_name": "php", "status":"disabled" }) WriteResult({ "nInserted" : 1 }) >db.posts.insert({ "post_text": "php中文网，最全的技术文档。", "user_name": "php", "status":"disabled" }) WriteResult({ "nInserted" : 1 }) >db.posts.insert({ "post_text": "php中文网，最全的技术文档。", "user_name": "php", "status":"active" }) WriteResult({ "nInserted" : 1 }) 现在，我们将在 posts 集合中使用 mapReduce 函数来选取已发布的文章(status:"active")，并通过user_name分组，计算每个用户的文章数： >db.posts.mapReduce( function() { emit(this.user_name,1); }, function(key, values) {return Array.sum(values)}, { query:{status:"active"}, out:"post_total" } ) 以上 mapReduce 输出结果为： { "result" : "post_total", "timeMillis" : 23, "counts" : { "input" : 5, "emit" : 5, "reduce" : 1, "output" : 2 }, "ok" : 1 } 结果表明，共有4个符合查询条件（status:"active"）的文档， 在map函数中生成了4个键值对文档，最后使用reduce函数将相同的键值分为两组。 具体参数说明： result：储存结果的collection的名字,这是个临时集合，MapReduce的连接关闭后自动就被删除了。 timeMillis：执行花费的时间，毫秒为单位 input：满足条件被发送到map函数的文档个数 emit：在map函数中emit被调用的次数，也就是所有集合中的数据总量 ouput：结果集合中的文档个数（count对调试非常有帮助） ok：是否成功，成功为1 err：如果失败，这里可以有失败原因，不过从经验上来看，原因比较模糊，作用不大 使用 find 操作符来查看 mapReduce 的查询结果： >db.posts.mapReduce( function() { emit(this.user_name,1); }, function(key, values) {return Array.sum(values)}, { query:{status:"active"}, out:"post_total" } ).find() 以上查询显示如下结果，两个用户 tom 和 mark 有两个发布的文章: { "_id" : "mark", "value" : 4 } { "_id" : "php", "value" : 1 } 用类似的方式，MapReduce可以被用来构建大型复杂的聚合查询。 Map函数和Reduce函数可以使用 JavaScript 来实现，使得MapReduce的使用非常灵活和强大。