首页 > 代码库 > 在MongoDB的MapReduce上踩过的坑
在MongoDB的MapReduce上踩过的坑
太久没动这里，目前人生处于一个新的开始。这次博客的内容很久前就想更新上来，但是一直没找到合适的时间点（哈哈，其实就是懒），主要内容集中在使用Mongodb时的一些隐蔽的MapReduce问题：
1、Reduce时的计数问题
2、Reduce时的提取数据问题
另外，补充一个小tips：mongoDB中建立的索引，优先使用固定的，而不要使用范围。
一、MapReduce时的计数问题
这个问题主要出现在使用“+1”的思路去计算累计次数时。如果在Map后的某一类中，记录量过大，就会导致计数失败。
具体演示如下：
原始数据（有400条一样的存在数据库results表中）：{ "grade" : 1, "name" : "lekko", "score" : 95 }
进行MapReduce：
1 db.runCommand({ mapreduce: "results", 2 map : function Map() { 3 emit( 4 {grade:this.grade}, 5 {recnum:1,score:this.score} 6 ); 7 }, 8 reduce : function Reduce(key, values) { 9 var reduced = {recnum:0,score:0};10 values.forEach(function(val){11 reduced.score += val.score;12 ++reduced.recnum;13 });14 return reduced;15 },16 finalize : function Finalize(key, reduced) { 17 return reduced;18 },19 out : { inline : 1 }20 });
满怀希望地以为value.recnum会输出400，结果却是101！而value.scorce却是输出的正确的：38000（95*400）。本人在这疑惑了好久，并且通过更改reduce函数： function Reduce(key, values) { return {test:values}; } ，发现数据是这样的：
在原本Reduce函数中的forEach只遍历了第一层的数据，即101个，所以++操作也只做了101次！
经过思考，导致问题的原因关键就在于MapReduce中emit后的Bosn的数据格式，一个大于100的Array，会被拆分存储，变成了非线性的链表结构，如图：
那么，分数相加却能正确，可以大胆地推测：“reduced.score += val.score;” 语句可以智能地找到所有子结点的score并相加！
最后，这里给出计数的替代方案，修改Reduce的++，改用+=操作：
1 function Reduce(key, values) { ;2 var reduced = {recnum:0,score:0};3 values.forEach(function(val){4 reduced.score += val.score;5 reduced.recnum += val.recnum;6 });7 return reduced;8 }
二、在Reduce中把数据提取出来组成Array
这个问题产生的原因与上面的相似，也是由于emit后的数据在reduce时是非线性的（有层次关系），所以提取数据字段时也会产生问题，为了测试，往上面所说的表中再插入3条数据：
{ "grade" : 1, "name" : "monkey", "score" : 95 }, { "grade" : 2, "name" : "sudan", "score" : 95 }, { "grade" : 2, "name" : "xiaoyan", "score" : 95 }
编写提取出各个grade的所有人名（不重复）列表：
1 db.runCommand({ mapreduce: "results", 2 map : function Map() { 3 emit( 4 {grade:this.grade}, 5 {name:this.name} 6 ); 7 }, 8 reduce : function Reduce(key, values) { 9 var reduced = {names:[]};10 values.forEach(function(val) {11 var isExist = false;12 for(var i = 0; i<reduced.names.length; i++) {13 var cur = reduced.names[i];14 if(cur==val.name){15 isExist = true;16 break;17 }18 }19 if(!isExist)20 reduced.names.push(val.name);21 });22 return reduced;23 },24 finalize : function Finalize(key, reduced) {25 return reduced;26 },27 out : { inline : 1 }28 });
返回结果为：
1 { "_id" : {"grade" : 1},2 "value" :{ "names" : [null,"lekko"]}3 },4 { "_id" : {"grade" : 2},5 "value" :{ "names" : ["xiaoyan","sudan"]}6 }
新插入的grade=2的两条数据正常了，但grade=1的monkey却不见了！采用问题一的思维方式，肯定也是在Reduce时遍历到一个数组对象，其name值为空，也给添加进来了，monkey对象根本就没有访问到。
解决这一问题的方法是，抛弃MapReduce，改用Group：
1 db.results.group({ 2 key : {"grade":true}, 3 initial : {names:[]}, 4 reduce : function Reduce(val, out) { 5 var isExist = false; 6 for(var i = 0; i<out.names.length; i++) { 7 var cur = out.names[i]; 8 if(cur==val.name){ 9 isExist = true;10 break;11 }12 }13 if(!isExist)14 out.names.push(val.name); 15 }, 16 finalize : function Finalize(out) {17 return out;18 }});
这样，便可正常取到grade=1时的name非重复集合！虽说MapReduce比Group要强大，速度也要快很多，但像这种要从大量项（超过100条）中提取数据，就有很大风险了。所以，使用MapReduce时，尽量只用到累加、累减、累乘等基本操作，不要去用++、push、delete等可能会产生风险的操作！
三、补充几个小Tips
1、使用Group或MapReduce时，如果一个分类只有一个元素，那么Reduce函数将不会执行，但Finalize函数还是会执行的。这时你要在Finalize函数中考虑一个元素与多个元素返回结果的一致性（比如，你把问题二中插入一个grade=3的数据看看，执行返回的grade=3时还有names集合吗？）。
2、查找范围时的索引效率，如果查询的是一个值的范围，它索引的优先级是很低的。比如一个表test，有海量元素，字段有‘committime‘、‘author‘，建立了两个索引：author_1、committime:-1,author:1，下面的测试证明了效率：
db.test.find({‘committime‘:{‘$gt‘:910713600000,‘$lte‘:1410192000000},‘author‘:‘lekko‘}).hint({committime:-1,author:1}).explain() "millis" : 49163
db.test.find({‘committime‘:{‘$gt‘:910713600000,‘$lte‘:1410192000000},‘author‘:‘lekko‘}).explain() author_1 "millis" : 2641
转载请注明原址：http://www.cnblogs.com/lekko/p/3963418.html
在MongoDB的MapReduce上踩过的坑