巧用 db.system.js 提升20% 开发效率

摘要：开门见山，是我造的，哈哈，为的就是让各位能够对引起注意。执行一次，，果然就可以使用我们自定义的函数了。到这里，我们基本就可以实现一个自定义的的强大组合了上海小胖原创地址欢迎各位大神前来评论。每周五，敬请期待，上海小胖独更。

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¹的时候意识到的问题，随后和开发们沟通了下，结果是对这个collection 不是很了解，遂生此文。

先来看下官文给出的解释：

</>复制代码 
.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

</>复制代码 
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

</>复制代码 
> 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

</>复制代码 
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

</>复制代码 
db.system.js.save( { _id : "Avg" ,
value : function(key,values)
{
    var total = Sum(key,values);
    var mean = total/values.length;
    return mean;
}});

MAX

</>复制代码 
db.system.js.save( { _id : "Max" ,
value : function(key,values)
{
    var maxValue=values[0];
    for(var i=1;imaxValue)
        {
            maxValue=values[i];
        }
    }
    returnmaxValue;
}});

MIN

</>复制代码 
db.system.js.save( { _id : "Min" ,
value : function(key,values)
{
    var minValue=values[0];
    for(var i=1;i
VARIANCE
</>复制代码 
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
</>复制代码 
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
</>复制代码 
{ "_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
</>复制代码 
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
</>复制代码 
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
</>复制代码 
{
        "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！
上海小胖[MiracleYoung] 原创地址: https://segmentfault.com/u/shanghaixiaopang/articles
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。
 Implementing Aggregation Functions in MongoDB ↩