开门见山，20%是我造的，哈哈，为的就是让各位mongoer能够对db.system.js collection 引起注意。

这个也是在我最近浏览InfoQ 的时候，看到一篇关于MongoDB 文章

system.js

先来看下官文给出的解释：

.system.js

The .system.js collection holds special JavaScript code for use in server side JavaScript. See Store a JavaScript Function on the Server for more information.

解释很简单，马上就进入实操环节

db.system.js.save(

{

_id: "echoFunction",

value : function(x) { return x; }

}

)

但是并没有任何效果，shell里表示，echoFunction undefined.

在查看 db.system.js 确实有一条记录

> db.system.js.find({_id: 'echoFunction'}).pretty()

{

"_id" : "echoFunction",

"value" : {

"code" : "function (x) { return x; }"

}

}

继续查看doc，原来还需要通过 loadServerScripts 函数 load 进数据字典，这个操作就有点像我们在linux 环境中 source ~/.bash_profile 一样了。

执行一次，db.loadServerScripts() ， 果然就可以使用我们自定义的函数了。

那问题来了，如何提升我们的工作效率呢？

在MongoDB 中，虽然有 $sum, $avg 等一系列的pipeline，但是，对于DBA也好，Developer 也罢，许多的报表、统计aggregation 并不能完全代劳，mapReduce 就是为了这个时候而上的，那每次都要去写一个function 去 sum，去 avg 总显得在反复造轮子，因此我们完全可以在这种情况下，在 db.system.js 中加入我们常用的统计函数，比如 sum, avg, max, min 等等。

这里我就给出自己常用的函数供大家参考：

SUM

db.system.js.save( { _id : "Sum" ,

value : function(key,values)

{

var total = 0;

for(var i = 0; i < values.length; i++)

total += values[i];

return total;

}});

AVERAGE

db.system.js.save( { _id : "Avg" ,

value : function(key,values)

{

var total = Sum(key,values);

var mean = total/values.length;

return mean;

}});

MAX

db.system.js.save( { _id : "Max" ,

value : function(key,values)

{

var maxValue=values[0];

for(var i=1;i

{

if(values[i]>maxValue)

{

maxValue=values[i];

}

}

returnmaxValue;

}});

MIN

db.system.js.save( { _id : "Min" ,

value : function(key,values)

{

var minValue=values[0];

for(var i=1;i

{

if(values[i]

{

minValue=values[i];

}

}

return minValue;

}});

VARIANCE

db.system.js.save( { _id : "Variance" ,

value : function(key,values)

{

var squared_Diff = 0;

var mean = Avg(key,values);

for(var i = 0; i < values.length; i++)

{

var deviation = values[i] - mean;

squared_Diff += deviation * deviation;

}

var variance = squared_Diff/(values.length);

return variance;

}});

STD DEVIATION

db.system.js.save( { _id : "Standard_Deviation"

, value : function(key,values)

{

var variance = Variance(key,values);

return Math.sqrt(variance);

}});

MapReduce

那么接下来我们就用Map-Reduce来结合之前的自定义聚合函数来做详解。(这里权当各位大佬熟悉Map-Reduce了)

引入demo data

{ "_id" : ObjectId("4f7be0d3e37b457077c4b13e"), "_class" : "com.infosys.mongo.Sales", "orderId" : 1, "orderDate" : "26/03/2011",

"quantity" : 20, "salesAmt" : 200, "profit" : 150, "customerName" : "CUST1", "productCategory" : "IT", "productSubCategory" : "software",

"productName" : "Grad", "productId" : 1 }

{ "_id" : ObjectId("4f7be0d3e37b457077c4b13f"), "_class" : "com.infosys.mongo.Sales", "orderId" : 2, "orderDate" : "23/05/2011",

"quantity" : 30, "salesAmt" : 200, "profit" : 40, "customerName" : "CUST2", "productCategory" : "IT", "productSubCategory" : "hardware",

"productName" : "HIM", "productId" : 1 }

{ "_id" : ObjectId("4f7be0d3e37b457077c4b140"), "_class" : "com.infosys.mongo.Sales", "orderId" : 3, "orderDate" : "22/09/2011",

"quantity" : 40, "salesAmt" : 200, "profit" : 80, "customerName" : "CUST1", "productCategory" : "BT", "productSubCategory" : "services",

"productName" : "VOCI", "productId" : 2 }

{ "_id" : ObjectId("4f7be0d3e37b457077c4b141"), "_class" : "com.infosys.mongo.Sales", "orderId" : 4, "orderDate" : "21/10/2011",

"quantity" : 30, "salesAmt" : 200, "profit" : 20, "customerName" : "CUST3", "productCategory" : "BT", "productSubCategory" : "hardware",

"productName" : "CRUD", "productId" : 2 }

{ "_id" : ObjectId("4f7be0d3e37b457077c4b142"), "_class" : "com.infosys.mongo.Sales", "orderId" : 5, "orderDate" : "21/06/2011",

"quantity" : 50, "salesAmt" : 200, "profit" : 20, "customerName" : "CUST3", "productCategory" : "BT", "productSubCategory" : "hardware",

"productName" : "CRUD", "productId" : 1 }

创建聚合函数Sum

db.system.js.save({

_id : "Sum" ,

value: function(key,values) {

var total = 0;

for(var i = 0; i < values.length; i++)

total += values[i];

return total;

}

});

结合Sum 聚合函数执行Map-Reduce

db.runCommand(

{

mapreduce: "sales" ,

map: function() {

emit({

key0:this.productCategory,

key1:this.productSubCategory,

key2:this.productName

},

this.salesAmt

);

},

reduce: function(key, values) {

var result = Sum(key, values);

return result;

},

out: {inline: 1}

}

)

这里，就直接把结果输出的stdout 了，如果需要可以指定collection，将我们的Map-Reduce结果存储下来。

来看一下结果

{

"results" : [

{

"_id" : {

"key0" : "BT",

"key1" : "hardware",

"key2" : "CRUD"

},

"value" : 400

},

{

"_id" : {

"key0" : "BT",

"key1" : "services",

"key2" : "VOCI"

},

"value" : 200

},

{

"_id" : {

"key0" : "IT",

"key1" : "hardware",

"key2" : "HIM"

},

"value" : 200

},

{

"_id" : {

"key0" : "IT",

"key1" : "software",

"key2" : "Grad"

},

"value" : 200

}

],

"timeMillis" : 14,

"counts" : {

"input" : 5,

"emit" : 5,

"reduce" : 1,

"output" : 4

},

"ok" : 1

}

这里可以看到，我们的Sum 函数已经将emit 过后的 "productCategory" : "BT", "productSubCategory" : "hardware", "productName" : "CRUD" 这组数据的 salesAmt 累加了。

到这里，我们基本就可以实现一个自定义的Function + Map-Reduce 的强大组合了！

欢迎各位大神前来评论。

每周五，敬请期待，上海小胖[MiracleYoung] 独更。

如果夏雨荷还在大明湖畔等着我的话，我就不更了。