聚合

mongo的产生背景是大数据环境,所谓的大数据实际上也就是进行的信息的收集汇总.那么就必须存在有信息的统计操作,而这样的统计操作就是成为聚合( 分组统计就是一种聚合操作)

1.取得集合的数据量

对于集合的数据量而言,在mongo里面直接使用count() 函数就可以完成.

db.shop.count()

在进行信息查询的时候,不设置条件的查询永远要比设置条件 要快的多,也就是说在之前的代码编写里面 不管是查询全部 或者是模糊查询, 实际上都是用的模糊查询, 只不过是一个是不设置关键字

2.消除重复数据

查询所有name 的信息    ( distinct() ) 消除重复数据
db.infos.runCommand({"distinct":"infos","key":"name"})  

• 本次的操作没有直接的函数支持,只能利用 runCommand()
• 辞职实现了对于name数据的重复值的筛选 ( 操作意义不是很大 )

3.group 操作 (随便看看 这是低版本的 )

可以实现市局的分组操作,在mongo里面会将集合依据指定的key的不同进行分组操作,并且每一个组都会产生一个处理的文档结果

• 查询所有age > = 19的信息,并且按年龄分组

    db.runCommand({"group":{
      "ns":"infos", //查询的集合
      "key":{"age":true}, // 查询哪个字段
      "initial":{"count":0}, // 初始化统计
      "conditin":{"age":{"$gte":19}}, //查询条件
      "$reduce": function(doc.prev){
          prev.count++
      }
    }})
  

4.真正的聚合 MapReduce

MapReduce是整个大数据的精髓所在,(实际中别用),所谓的MapReduce就是分为部处理我们的数据

• Map 将数据分别取出

• Reduce 负责数据的最后的处理
  可是要想在Mongo里面实现MapReduce处理 那么复杂度是相当高的

    var emps = [
    {name:"jsbin",sex:'男',jop:"CLEE",salary:1000,age:22},
    {name:"jspang",sex:'男',jop:"CLEE",salary:2000,age:24},
    {name:"jsg",sex:'男',jop:"CLEE",salary:3000,age:26},
    {name:"javas",sex:'男',jop:"CLEE",salary:4000,age:30},
    {name:"javas",sex:'男',jop:"CLEE",salary:5000,age:33},
  ]
  db.emps.insert(emps)
  

按照职位分组,取得每个职位的人名

• 编写分组的定义

    var jobMapFun =  function(){
      emit(this.job,this.name)
    }
  

• 编写Reduce 处理

不写了 太复杂了 但是是可以 简化的 可以是聚合框架

聚合框架

1 . $group 主要是进行分组的数据操作 ( 实现聚合 查询的功能 )

语法:

    db.emps.aggregate([{"$group":{"_id":"$job","jobCount":{"$sum":1}}}])