Mongo散记--聚合（aggregation）& 查询（Query），mongoaggregation

mongo官网：http://www.mongodb.org/

工作中使用到Mongo，但是没有系统的学习研究过Mongo，仅对工作过程中，在Mongo的使用过程中的一些知识点做一下记录，并随时补充，达到总结备忘的目的。

本篇主要终结记录聚合和查询。

聚合（aggregation）

Count

db.view_view.count()

db.view_view.count({_id:"521842"})

db.view_view.find().count()

db.view_view.find({_id:"521842"}).count()

Distinct

db.view_view.distinct("_id")

db.view_view.distinct("view") view是个数组，会把每个数组的元素都distinct一下

Group

db.invoke_stat.group({
    key:{ip:true},
    cond:{
        date:{$gte:ISODate("2014-07-09 16:00:00"),$lt:ISODate("2014-07-10 16:00:00")}
    },
    reduce:function(curr,result){
        result.count += curr.times;
    },
    initial:{count:0},
    finalize:function(result) {result.count =  '$' + result.count}
});

db.view_view.group({
    keyf:function(doc){return {view_num:doc.view.length}},
    reduce:function(curr,result){
        result.count += 1;
        result.id = curr._id;
    },
    initial:{count:0}
});

关于以上两个group的解释：

key/keyf：要按照进行分组的列，key是直接选取表中的列，kef是一个函数，对列进行一些处理，函数结果要返回一个对象，比如{view_num:doc.view.length}，doc.view.length，是表中的数组列view的长度。

cond：是要过滤的查询条件

reduce：处理函数

initial：返回列的初始值

finalize：对reduce的结果进行进一步处理，比如格式化

MapReduce

db.invoke_stat.mapReduce(
  function(){
      var key = this.ip;
      emit(key,{r_times:this.times})
  },
  function(key,emits){
      total=0;
      for(var k in emits) {
          total+=emits[k].r_times;
      }
      return {r_times:total}
  },
  {out:'mr'}
)

以上：r_times是我们定义的要返回的列的名称，ip和times是表中的列，mr是我们要把MapReduce的计算结果存入名称为mr的集合中。

mapReduce的原型为：function (map, reduce, optionsOrOutString)，下面具体介绍一下函数的三个参数：

map函数，它会遍历集合中的每一个文档，this表示文档，它使用emit方法将文档按键分组，并返回需要统计的数据；

reduce函数，它将收集数据并统计，两个参数分别为map函数返回的key值和数据数组；

optionsOrOutString参数为一个对象，定义了一些额外工作，比如上面的列子中使用out参数将统计结果放入到mr集合中，集合不存在则创建，存在了则覆盖。

参数optionsOrOutString对象除了out键以外还有其它一些键：

finalize函数，同group的finalize完成器一样，可以对reduce的结果做一些处理；

query文档，在map函数前对文档过滤；

sort文档，在map函数前对文档排序，必须先对排序的字段建立索引；

limit整数，在map函数前设定文档数量；

scope文档，js函数中用到的变量，客户端可以通过scope传递一些值；

jsMode布尔，指定了map和reduce函数间传递的对象使用BSON格式还是javascript对象，默认值false，表示采用BSON格式，优点是中间的BSON数据会被存在硬盘上，所以传递的数据量可以很大，但会影响性能；采用javascript对象，性能较高，但只能传递50万个不同的key值；

verbos布尔，默认true，显示详细的时间统计信息。

以上可以看出MapReduce的强大，可以很轻松的实现不同的统计功能。

查询（Query）

mongo查询语法：

db.access_logs_140701.find({jxTime:{$gt:1407011300,$lt:1407011400},"curl.sku":"99978033"}).sort({jxTime:-1}).skip(1).limit(100)

db.invoke_stat.find({date:{$gte:ISODate("2014-07-09 10:00:00"),$lt:ISODate("2014-07-09 11:00:00")}})

db.view_view.find({view:{$size:10}}) 查询数组长度未10的，当前Mongo不直接支持数据长度范围查询，比如查询数据长度<10的，只能MapReduce编程实现

在信道的竞争中所产生的冲突，以及为解决冲突而引入的退避机制都大大降低了系统的吞吐量。802.11n为了解决MAC层的这两个问题，采用了帧聚合（FrameAggregation）技术和BlockAcknowledgement机制。

帧聚合技术又包含针对MSDU的聚合（A-MSDU）和针对MPDU的聚合(A-MPDU)：

A-MSDU

A-MSDU技术是指把多个MSDU通过一定的方式聚合成一个较大的载荷。这里的MSDU可以认为是Ethernet报文。通常，当AP或无线客户端从协议栈收到报文（MSDU）时，会打上Ethernet报文头，这里我们称之为A-MSDUSubframe；而在通过射频口发送出去前，需要逐一将其转换成802.11报文格式。而A-MSDU技术旨在将若干个A-MSDUSubframe聚合到一起，并封装为一个802.11报文进行发送。从而减少了发送每一个802.11报文所需的PLCPPreamble、PLCPHeader和802.11MAC头的开销，同时减少了应答帧的数量，提高了报文发送的效率。

A-MPDU

与A-MSDU不同的是，A-MPDU聚合的是经过802.11报文封装后的MPDU，这里的MPDU是指经过802.11封装过的数据帧。通过一次性发送若干个MPDU，减少了发送每个802.11报文所需的PLCPPreamble、PLCPHeader，从而提高系统吞吐量。
 

aggregate 是指事物的总和，比如数字总和，人数总和等，是一种侧重强调事物在数量的集合；
aggregation是指集群效应，比如城市集群，电路集群等，该词倾向于形容事物在规模上的聚集；