MongoDBでの集計について、SOについて多くの質問がありますが、私の完全な解決策はまだ見つかりません。
これが私のデータの例です：
{
"fruits" : {
"apple" : "red",
"orange" : "orange",
"plum" : "purple"
}
}
{
"fruits" : {
"apple" : "green",
"plum" : "purple"
}
}
{
"fruits" : {
"apple" : "red",
"orange" : "yellow",
"plum" : "purple"
}
}
さて、私の目標は、各果物の各色の人気を判断することです。したがって、次のようなものが出力コレクションになります。
{
"_id" : "apple"
"values" : {
"red" : 2,
"green" : 1
}
}
{
"_id" : "orange"
"values" : {
"orange" : 1,
"yellow" : 1
}
}
{
"_id" : "plum"
"values" : {
"purple" : 3
}
}
私はさまざまなM/R機能を試しましたが、最終的には機能しないか、指数関数的に時間がかかります。例（果物）のコンテキストでは、約1,000の異なる果物と100,000の色があり、合計で約10,000,000のドキュメントがあります。私の現在のM/Rは次のとおりです。
map = function() {
if (!this.fruits) return;
for (var fruit in this.fruits) {
emit(fruit, {
val_array: [
{value: this.fruits[fruit], count: 1}
]
});
}
};
reduce = function(key, values) {
var collection = {
val_array: []
};
var found = false;
values.forEach(function(map_obj) {
map_obj.val_array.forEach(function(value_obj) {
found = false;
// if exists in collection, inc, else add
collection.val_array.forEach(function(coll_obj) {
if (coll_obj.value == value_obj.value) {
// the collection already has this object, increment it
coll_obj.count += value_obj.count;
found = true;
return;
}
});
if (!found) {
// the collection doesn't have this obj yet, push it
collection.val_array.push(value_obj);
}
});
});
return collection;
};
現在、これは機能し、100レコードの場合、1秒ほどかかりますが、時間は非線形に増加するため、1億レコードには非常に長い時間がかかります。問題は、reduce関数で配列を使用して貧弱なサブアグリゲーションを実行しているため、map関数の値とcollection両方を反復処理する必要があることです。collectionここで、これを効率的に行う方法を理解する必要があります（複数の削減が必要な場合でも）。どんな提案でも大歓迎です！
編集それを投稿するためのより良い場所がないため、ここに私の解決策があります。
まず、次のファイルを作成しました
mr.js：
map = function() {
if (!this.fruits) return;
var skip_fruits = {
'Watermelon':1,
'Grapefruit':1,
'Tomato':1 // yes, a tomato is a fruit
}
for (var fruit in this.fruits) {
if (skip_fruits[fruit]) continue;
var obj = {};
obj[this.fruits[fruit]] = 1;
emit(fruit, obj);
}
};
reduce = function(key, values) {
var out_values = {};
values.forEach(function(v) {
for(var k in v) { // iterate values
if (!out_values[k]) {
out_values[k] = v[k]; // init missing counter
} else {
out_values[k] += v[k];
}
}
});
return out_values;
};
var in_coll = "fruit_repo";
var out_coll = "fruit_agg_so";
var total_docs = db[in_coll].count();
var page_size = 100000;
var pages = Math.floor(total_docs / page_size);
print('Starting incremental MR job with '+pages+' pages');
db[out_coll].drop();
for (var i=0; i<pages; i++) {
var skip = page_size * i;
print("Calculating page limits for "+skip+" - "+(skip+page_size-1)+"...");
var start_date = db[in_coll].find({},{date:1}).sort({date:1}).skip(skip).limit(1)[0].date;
var end_date = db[in_coll].find({},{date:1}).sort({date:1}).skip(skip+page_size-1).limit(1)[0].date;
var mr_command = {
mapreduce: in_coll,
map: map,
reduce: reduce,
out: {reduce: out_coll},
sort: {date: 1},
query: {
date: {
$gte: start_date,
$lt: end_date
}
},
limit: (page_size - 1)
};
print("Running mapreduce for "+skip+" - "+(skip+page_size-1));
db[in_coll].runCommand(mr_command);
}
そのファイルは私のコレクション全体を反復処理しdate、一度に100k個のドキュメント（インデックスが必要なソート順）を段階的にマップ/削減し、それらを単一の出力コレクションに削減します。これは次のように使用されます：mongo db_name mr.js。
それから、数時間後、私はすべての情報を含むコレクションを手に入れました。どの果物が最も色が多いかを把握するために、mongoシェルからこれを使用して上位25を印刷します。
// Show number of number of possible values per key
var keys = [];
for (var c = db.fruit_agg_so.find(); c.hasNext();) {
var obj = c.next();
if (!obj.value) break;
var len=0;for(var l in obj.value){len++;}
keys.push({key: obj['_id'], value: len});
}
keys.sort(function(a, b){
if (a.value == b.value) return 0;
return (a.value > b.value)? -1: 1;
});
for (var i=0; i<20; i++) {
print(keys[i].key+':'+keys[i].value);
}
このアプローチの本当にすばらしい点は、インクリメンタルであるため、mapreduceの実行中に出力データを操作できることです。