MongoDB的聚合框架Aggregation Framework入门学习教程

摘要：1.聚合框架使用聚合框架对集合中的文档进行变换和组合，可以用多个构件创建一个管道(pipeline)，用于对一连串的文档进行处理。这些构件包...

1. 聚合框架

使用聚合框架对集合中的文档进行变换和组合，可以用多个构件创建一个管道(pipeline)，用于对一连串的文档进行处理。这些构件包括筛选(filtering),投射(projecting),分组(grouping),排序(sorting),限制(limiting),跳过(skipping)。

例如一个保存着动物类型的集合，希望找出最多的那种动物，假设每种动物被保存为一个mongodb文档，可以按照以下步骤创建管道。

1)将每个文档的动物名称映射出来。

2)安装名称排序，统计每个名称出现的次数。

3)将文档按照名称出现的次数降序排列。

4)将返回结果限制为前五个。

具体操作符：

1){"$porject", {"name" : 1}}

类似于查询阶段的字段选择器，指定"fieldname" : 1选定需要的字段，"fieldname" : 0排除不需要的字段，"_id"字段自动显示。结果保存在内存中，不会写入磁盘。

db.test_collection.aggregate({"$project" : {"name" : 1}}); => { "_id" : ObjectId("535a2d3c169097010b92fdf6"), "name" : "snake" }

2){"$group", {"_id" : "$name", "count" : {"$sum" : 1}}}

首先指定了分组的字段"name",该操作执行完后，每个name只对应一个结果，所有可以将name指定为唯一标识符"_id"。

第二个字段表明分组内的每个文档"count"字段加1。新加入的文档中不会有count字段。

db.test_collection.aggregate({"$project" : {"name" : 1}}, {"$group" : {"_id" : "$name", "count" : {"$sum" : 1}}}); => { "_id" : "bird", "count" : 8344 } { "_id" : "snake", "count" : 8443 } { "_id" : "cat", "count" : 8183 } { "_id" : "rabbit", "count" : 8206 } { "_id" : "tiger", "count" : 8329 } { "_id" : "cow", "count" : 8309 } { "_id" : "horse", "count" : 8379 } { "_id" : "dog", "count" : 8406 } { "_id" : "dragon", "count" : 8372 } { "_id" : "elephant", "count" : 8264 } { "_id" : "pig", "count" : 8403 } { "_id" : "lion", "count" : 8362 }

3){"$sort" : {"count" : -1}}

对结果集中的文档根据count字段做降序排列。

4){"$limit" : 5}

将返回结果限制为5个文档。

将上述结果综合起来：

db.test_collection.aggregate( { "$project" : {"name" : 1}}, {"$group" : {"_id" : "$name", "count" : {"$sum" : 1}}}, {"$sort" : {"count" : -1}}, {"$limit" : 5} );

aggregate会返回一个文档数组，内容为出现次数最多的5个动物：

{ "_id" : "snake", "count" : 8443 } { "_id" : "dog", "count" : 8406 } { "_id" : "pig", "count" : 8403 } { "_id" : "horse", "count" : 8379 } { "_id" : "dragon", "count" : 8372 }

调试过程中。可以逐一对管道符进行排查。

聚合框架不能对集合进行写入操作，所有结果返回给客户端，聚合结果必须限制在16M以内。

2. 管道操作符

每个操作符都会接受一连串的文档，对这些文档进行类型转换，最后得到的文档作为结果传递给下一操作符。

不同的管道操作符可以将任意顺序组合在一起使用，而且可以被重复任意多次。

2.1 $match

$match用于对文档集合进行筛选，之后得到的文档子集做聚合。

"$match"支持所有的常规查询操作符("$gt","$lt","$ne")等，不能使用地理空间操作符。

实际操作中尽量将"$match"放在管道的前面部分，一方面可以提快速将不需要的文档过滤掉，另外在映射和分组前筛选，查询可以使用索引。

2.2 $project

使用"$project"可以提取字段，可以重命名字段，

db.foo.aggregate({"$project" : {"city" : 1, "_id" : 0}}) => { "city" : "NEWWORK" }

可以将投射过的字段重命名:

db.foo.aggregate({"$project" : {"newcity" : "$city", "_id" : 0}}) => { "newcity" : "NEWWORK" }

使用"$fieldname"语法为了在聚合框架中引用fieldname字段，例如上面"$city"会被替换为"NEWWORK"。

对字段重命名后，Mongdb不会记录其记录字段的历史名称，所以应该在修改字段名称前使用索引。

2.2.1 管道表达式

可以使用表达式将多个字面量和变量组合为一个值。

可以使用组合或者任意深度的嵌套，创建复杂的表达式。

2.2.2 数学表达式

数学表示式用来操作数据运算。

db.foo.aggregate( {"$project" : {"total" : {"$add" : ["$age", "$year"]}, "_id" : 0 } } ) {"total" : 15}

可以将多个表达式组合为更为复杂的表达式：

db.foo.aggregate( {"$project" : {"sub" : {"$subtract" : [{"$add" : ["$age", "$year"]}, 7]}, "_id" : 0 } } ) { "sub" : 8 }

操作符语法：

1)"$add" : [expr1, [, expr2, ..., exprN]]

将表达式相加

2)"$subtract" : [expr1, expr2]

表达式1减去表达式2

3)"$multiply" : [expr1, [, expr2, ..., exprN]]

将表达式相乘

4)"$divide" : [expr1, expr2]

表达式1除以表达式2得到商

5)"$mod" : [expr1, expr2]

表达式1除以表达式2得到余数

2.2.3 日期表达式

用于提取日期信息的表达式："$year","$month","$week","$dayOfMonth","$dayOfweek","$hour","$minute","$second"。只能对日期类型的字段进行日期操作，不能对数值类型进行日期操作。

db.bar.insert({"name" : "pipi", "date" : new Date()}) db.bar.aggregate( {"$project" : {"birth-month" : {"$month" : "$date"}, "_id" : 0 } } ) { "birth-month" : 4 }

也可以使用字面量日期。

db.bar.aggregate( {"$project" : {"up-to-now" : {"$subtract" : [{"$minute" : new Date()}, {"$minute" : "$date"}]}, "_id" : 0 } } ) { "up-to-now" : 18 }

2.2.3 字符串表达式

操作符语法：

1)"$substr" : [expr, startOffset, numoReturn]

接受字符串，起始位置以后偏移N个字节，截取字符串。

2)"$concat" : [expr1[, expr2, ..., exprN]]

将给定的表达式连接在一起作为返回结果。

3)"$toLower" : expr

返回参数的小写形式

4)"$toUpper" : expr

返回参数的大写形式

例如：

db.foo.insert({"firstname" : "caoqing", "lastname" : "lucifer"}) db.foo.aggregate( { "$project" : { "email" : { "$concat" : [ {"$substr" : ["$firstname", 0, 1]}, ".", "$lastname", "@gmail.com" ] }, "_id" : 0 } } ) { "email" : "c.lucifer@gmail.com" }

2.2.3 逻辑表达式

操作符语法：

1)"$cmp" : [expr1, expr2]

比较两个参数，相等返回0，大于返回整数，小于返回负数。

2)"$strcasecmp" : [string1, string2]

比较字符串，区分大小写

3)"$eq"/"$ne"/"$gt"/"$gte"/"lt"/"lte" : [expr1, expr2]

比较字符串，返回结果(true or false)

4)"$and" : [expr1[, expr2, ..., exprN]]

所有值为true返回true，否则返回false。

5)"$or" : [expr1[, expr2, ..., exprN]]

任意表达式为true返回true，否则返回false

6)"$not" : expr

对表示式取反

还有两个控制语句。

"$crond" : [booleanExpr, trueExpr, falseExpr]

如果为true,返回trueExpr，否则，返回falseExpr。

"$ifFull" : [expr, replacementExpr]

如果expr为null，返回replacementExpr，否则返回expr。

算术操作符必须接受数值，日期操作符必须接受日期，字符串操作符必须接受字符串。

例如，根据学生出勤率(10%)，平时作业(30%)和考试成绩(60%)得出最终成绩，如果是老师宠爱的学生，直接得100分：

插入数据:

db.bar.insert( { "name" : "xiaobao", "teachersPet" : 1, "attendance" : 90, "quizz" : 80, "test" : 85 } ) db.bar.insert( { "name" : "caoqing", "teachersPet" : 0, "attendance" : 20, "quizz" : 50, "test" : 90 } ) db.bar.insert( { "name" : "pipi", "teachersPet" : 0, "attendance" : 100, "quizz" : 50, "test" : 10 } )

聚合：

db.bar.aggregate( { "$project" : { "grade" : { "$cond" : [ "$teachersPet", 100, { "$add" : [ {"$multiply" : [0.1, "$attendance"]}, {"$multiply" : [0.3, "$quizz"]}, {"$multiply" : [0.6, "$test"]}, ] } ] }, "_id" : 0 } } )

返回结果：

{ "grade" : 100 } { "grade" : 71 } { "grade" : 31 }

3. MapReduce

Mapreduce非常强大与灵活，Mongodb使用javascript作为查询语言，可以表示任意复杂的逻辑。

Mapreduce非常慢，不应该用在实际的数据分析中。

Mapreduce可以在多台服务器之间并行执行，可以将一个问题拆分为多个小问题，之后将各个小问题发送到不同的机器上，每台机器只负责完成一部分工作，所有的机器完成时，将这些零碎的解决方案合并为一个完整的解决方案。

最开始的是映射(map),将操作映射到集合中的各个文档，然后是中间环节，成为洗牌(shuffle),按照键分组，将产生的键值组成列表放在对应的键中。化简(reduce)则是把列表中的值化简为一个单值。

3.1 找出集合中的所有键

MongoDB假设你的模式是动态的，所以并不会跟踪记录每个文档的键。通常找到集合中所有文档的所有键的最好方式就是MapReduce。

在映射环节，map函数使用特别的emit函数返回要处理的值。emit会给MapReduce一个键和一个值。

这里用emit将文档某个键的计数返回。this就是当前映射文档的引用：

map = function() { emit(this.country, {count : 1}); }

reduce接受两个参数，一个是key，就是emit返回的第一个值，还有一个数组，由一个或多个键对应的{count : 1}文档组成。

reduce = function(key, value) { var result = {count : 0}; for (var i = 0; i < value.length; i++) { result.count += value[i].count; } return result; }

示例表数据：

{ "_id" : 38, "country" : "japan", "money" : 724 } { "_id" : 39, "country" : "germany", "money" : 520 } { "_id" : 40, "country" : "india", "money" : 934 } { "_id" : 41, "country" : "china", "money" : 721 } { "_id" : 42, "country" : "germany", "money" : 156 } { "_id" : 43, "country" : "canada", "money" : 950 } { "_id" : 44, "country" : "india", "money" : 406 } { "_id" : 45, "country" : "japan", "money" : 776 } { "_id" : 46, "country" : "canada", "money" : 468 } { "_id" : 47, "country" : "germany", "money" : 262 } { "_id" : 48, "country" : "germany", "money" : 126 } { "_id" : 49, "country" : "japan", "money" : 86 } { "_id" : 50, "country" : "canada", "money" : 870 } { "_id" : 51, "country" : "india", "money" : 98 } { "_id" : 52, "country" : "india", "money" : 673 } { "_id" : 53, "country" : "japan", "money" : 487 } { "_id" : 54, "country" : "india", "money" : 681 } { "_id" : 55, "country" : "canada", "money" : 491 } { "_id" : 56, "country" : "japan", "money" : 98 } { "_id" : 57, "country" : "china", "money" : 172 }

运行结果：

db.foo.mapReduce(map, reduce, {out : "collection"}) { "result" : "collcetion", "timeMillis" : 83, "counts" : { "input" : 99, "emit" : 99, "reduce" : 5, "output" : 5 }, "ok" : 1, "$gleStats" : { "lastOpTime" : Timestamp(1399168165, 15), "electionId" : ObjectId("535a2ce15918f42de9ab1427") }, }

（1）result:存放的集合名

（2）timeMillis:操作花费的时间，单位是毫秒

（3）input:传入文档数目

（4）emit:此函数被调用的次数

（5）reduce:此函数被调用的次数

（6）output:最后返回文档的个数

查看下collection结果内容：

db.collection.find(); { "_id" : "canada", "value" : { "count" : 19 } } { "_id" : "china", "value" : { "count" : 15 } } { "_id" : "germany", "value" : { "count" : 25 } } { "_id" : "india", "value" : { "count" : 20 } } { "_id" : "japan", "value" : { "count" : 20 } }

3.2 MapRecude其他的键

（1）"finalize" : function

可以将reduce的结果发送给这个键，这是整个处理过程的最后一步。

（2）"keeptemp自动为true。" : boolean

如果为true，则在连接关闭后结果保存，否则不保存。

（3）"out" : string

输出集合的名称，如果设置，keeptemp自动为true。

（4）"query" : document

在发往map前，先用指定条件过滤文档。

（5）"sort" : document

在发往map前，先进行排序。

（6）"limit" : integer

发往map函数的文档数量上限。

（7）"scope" : document

可以在javascripts代码中使用的变量。

（8）"verbose" : boolean

是否记录详细的服务器日志。

3.2.1 finalize函数

可以使用finalize函数作为参数，会在最后一个reduce输出结果后执行，然后将结果保存在临时集合里。

3.2.2 保存结果集合

默认情况下，执行mapreduce时创建一个临时集合，集合名称为mr.stuff.ts.id,即mapreduce.集合名.时间戳.数据库作业ID。MongoDB会在调用的连接关闭时自动销毁这个集合。

3.2.3 对子文档执行mapreduce

每个传递给map的文档都需要先反序列化，从BSON对象转换为js对象，这个过程非常耗时，可以先对文档过滤来提高map速度，可以通过"query","limit"和"sort"等对文档进行过滤。

"query"的值是一个查询文档。

"limit","sort"配合可以发挥很大的作用。

"query","limit"和"sort"可以随意组合使用。

3.2.4 作用域

作用域键"scope"，可以用变量名:值这样普通的文档来设置该选项，

3.2.5 获取更多的输出

设置verbose为true，可以将mapreduce过程更多的信息输出到服务器日志上。

4 聚合命名

count和distinct操作可以简化为普通命令，不需要使用聚合框架。

4.1 count

count返回集合中的文档数量：

db.foo.count() => 99

可以传入一个查询文档：

db.foo.count({country : "china"}) => 15

增加查询条件会使count变慢。

4.2 distinct

distinct用来找出给定键的所有不同值。使用时必须指定集合和键。

db.runCommand({ "distinct" : "foo", "key" : "country"}) => { "values" : [ "japan", "germany", "india", "china", "canada" ], "stats" : { "n" : 99, "nscanned" : 99, "nscannedObjects" : 99, "timems" : 22, "cursor" : "BasicCursor" }, "ok" : 1, "$gleStats" : { "lastOpTime" : Timestamp(1399171995, 15), "electionId" : ObjectId("535a2ce15918f42de9ab1427") } }

4.3 group

使用group可以进行更为复杂的聚合。先选定分组所依据的键，然后根据选定键的不同值分为若干组，然后对每一个分组进行聚合，得到结果文档。

插入示例数据：

var name = ["Caoqing", "Spider-man", "Garfield"] for (var i = 0; i < 10000; i++) { iname = name[Math.floor(Math.random() * name.length)]; date = new Date().getTime(); number = Math.floor(100 * Math.random()); db.coll.insert({_id : i, name : iname, time : date, age : number}); }

生成的列表中包含最新的时间和最新的时间对应的年纪。

可以安装name进行分组，然后取出每个分组中date最新的文档，将其加入结果集。

db.runCommand({"group" : { "ns" : "coll", "key" : {"name" : true}, "initial" : {"time" : 0}, "$reduce" : function(doc, prev) { if (doc.time > prev.time) { prev.age = doc.age; prev.time = doc.time; } } }})

（1）"ns" : "coll"

指定进行分组的集合。

（2）"key" : {"name" : true}

指定分组依据的键。

（3）"initial" : {"time" : 0}

初始化time值，作为初始Wednesday传递给后续过程。每组成员都会使用这个累加器。

结果：

"$reduce" : function(doc, prev) {...} { "retval" : [ { "name" : "Spider-man", "time" : 1399179398567, "age" : 55 }, { "name" : "Garfield", "time" : 1399179398565, "age" : 85 }, { "name" : "Caoqing", "time" : 1399179398566, "age" : 86 } ], "count" : 10000, "keys" : 3, "ok" : 1, "$gleStats" : { "lastOpTime" : Timestamp(1399179362, 1), "electionId" : ObjectId("535a2ce15918f42de9ab1427") } }

如果有文档不存在指定分组的键，这些文档会单独分为一组，缺失的键会使用name:null这样的形式。如下：

db.coll.insert({age : 5, time : new Date().getTime()})

返回结果:

... { "name" : null, "time" : 1399180685288, "age" : 5 } "count" : 10001, "keys" : 4, ...

为了排除不包含指定用于分组的键的文档，可以在"condition"中加入"name":{"$exists" : true}。

4.3.1 使用完成器

完成器(finalizer)用于精简从数据库传到用户的数据，因为group命令的输出结果需要能够通过单次数据库响应返回给用户。

4.3.2 将函数作为键使用

分组条件可以非常复杂，不是单个键，例如分组时按照类别分组dog和DOG是两个完全不同的组，为了消除大小写差异，可以定义一个函数决定文档分组所依据的键。

定义分组函数需要用到"$keyf"键，

db.foo.group({ "ns" : "foo", "$keyf" : function(x) { return x.category.toLowerCase(); }; "initial" : ..., ...... })