基于MongoDB MapReduce的统计分析（转）

原文地址：http://www.oecp.cn/hi/yongtree/blog/2001


前面已经简单介绍了MongoDB在OECP社区的一个应用:动态消息的设计实现。在上次的应用中，我们只介绍了MongoDB最基本的查询的功能，今天我再介绍一下MongoDB更加高级的应用：用MongoDB做统计分析。
OECP社区中，我们为了更加准确的分析网站的访问情况，以便能够为用户更准确的推荐他们感兴趣的内容，我们需要将页面的访问记录存储下来。对于这些数据，主要由以下几个特点：

    与业务无关，尽量将数据存储和业务数据分离，减少业务数据库的压力。而且对数据的一致性要求不高。
    每当访问一个页面就要存储一条记录，实时插入操作的要求很高，当然可以使用缓存作为临时缓冲来解决数据频繁更新的问题。
    数据随着访问量的增长膨胀的很快，如果一个页面1天有100个PageViews，将会新增100条数据，数据量远远高于业务数据，而且要比我们上次说的消息动态的数据的数量级要大得多。网站要尽量存储至少两个月的数据，当网站访问量很大的时候，要解决的是海量数据的存储。

所以从存储上考虑，我们依然选择了MongoDB作为持久存储。由于NoSQL数据库在数据查询的多样性能力太低，特别是标准的Key-Value数据库，一般的做法就是用NoSQL负责日志的存储，分析需要将数据抽取到关系数据库中再进行统计查询。但是MongoDB却提供给我们非常丰富的查询统计功能，group 和MapReduce都能实现SQL中group by，sum，count之类的统计查询分析。Group的功能已经可以实现简单的统计功能，但是当数据量非常大的时候，group处理能力就不太好了，所以我们一开始就使用MapReduce进行统计分析。
先看一下官方对MapReduce的介绍：
db.runCommand(
{ mapreduce : <collection>,
   map : <mapfunction>,
   reduce : <reducefunction>
   [, query : <query filter object>]
   [, sort : <sort the query.  useful foroptimization>]
   [, limit : <number of objects to returnfrom collection>]
   [, out : <output-collection name>]
   [, keeptemp: <true|false>]
   [, finalize : <finalizefunction>]
   [, scope : <object where fields go into javascript global scope >]
   [, verbose : true]
}
);
而java驱动下提供的方法主要有两个：
DBCollection.mapReduce(String map, String reduce,String outputCollection,
                  DBObject query);
DBCollection.mapReduce(DBObject command);//该接口按照上面的介绍，总是报错，不知道此该如何应用

PV数据存储结构：（这些属性主要是为了支持我们以后根据各种维度去分析）
entityId:实体ID,
entityName:实体名称,
userid:（登录）访问者ID,
sessionId:会话ID,
referer:来源URL,
url:当前页面url,
title:显示的标题,
date:访问时间,
ip:访问者IP

第一个应用场景：当访问某用户的空间时，得到某用户最新的访问记录，同一个页面重复访问的话，返回最新的一次访问。

    首先是map方法，主要是定义outputCollection的结构。OutputCollection的输出结构为：{_id:key,value:value}

java 代码

    String mapfun = "function(){emit({url:this.url,title:this.title},this.date)}";//key={url:this.url,title:this.title},value=reduce方法的返回值。  

    其次是reduce方法

java 代码

    String reducefun = "function(key,vals){var date=0; for(var i in vals){ if(date==0){date=vals[i];}else if(vals[i]>date){date=vals[i];}} return date;}";//如果同一个key的数据，相互比较时间，将最近时间返回。  

    执行

java 代码

    DBObject query = newBasicDBObject();  
    query.put("userid", userid);  
    query.put("date", newBasicDBObject("$gte", fromDate));  
    *.getCollection().mapReduce(mapfun, reducefun,"pageview_results", query);//最好定义query，以降低统计的原始结果集  

    遍历pageview_results集合的结果：[{_id:{url:”/blog/yongtree/258”,title:’博客1’},value:’2010-10-11 20:30:56’},{_id:{url:”/blog/slx/288”,title:’博客2’}, value:’2010-10-01 02:23:33’}]


注意：mapfun和reducefun字符串里面是写的javascript的方法，MongoDB可以在服务器端进行js的解析。如果这个方法写的不对，程序将不能正常执行。

第二个应用场景：当访问某个具体的内容时，返回某段时间曾经浏览过这篇文章的其他人关注的其他内容，以便对当前用户有一个内容的引导。

    首先先找出某段时间内曾经访问该内容的人作为统计的条件，我们使用sessionId而不是userid，是为了将没有登录的用户的访问算进来一起统计

java 代码

    DBObject query = newBasicDBObject();  
        query.put("entityId", entityId);  
        query.put("entityName", entityName);  
        query.put("date", newBasicDBObject("$gte", fromDate).append("$lt", toDate));  
    
    List sessionIds = this.mongoService.getCollection().distinct("sessionId", query);//这里运用了取出结果集中的重复值的函数distinct(String key,DBObject query),相当于SQL：select distinct(name) from table  

    定义map方法，主要是定义outputCollection的结构。OutputCollection的输出结构为：{_id:key,value:次数浏览的次数}

java 代码

    String mapfun = " function(){emit({url:this.url,title:this.title},1)}";//key={url:this.url,title:this.title},value=reduce方法的返回值。以为是计算数据的次数，所以这里的value定义的是常量1  

    定义reduce方法

java 代码

    String reducefun = " function(key,vals){var count=0; for(var i in vals){count+=vals[i];} return count;}";//如果同一个key的数据出现的次数进行求和。  

    执行

java 代码

    *.getCollection().mapReduce(mapfun, reducefun,"pageview_results", new BasicDBObject("sessionId",new BasicDBObject("$in",sessionIds.toArray())));  

    遍历pageview_results集合的结果：[{_id:{url:”/blog/yongtree/258”,title:’博客1’},value:’45.0’},{_id:{url:”/blog/slx/288”,title:’博客2’}, value:’30.0’}]