目前的MongoDB在进行复杂的数据统计计算时都需要写MapReduce来实现，包括在SQL中比较常用的group by查询也需要写一个reduce才能实
目前的MongoDB在进行复杂的数据统计计算时都需要写MapReduce来实现，包括在SQL中比较常用的group by查询也需要写一个reduce才能实现，这是比较麻烦的。在MongoDB2.1中，将会引入一套全新的数据统计计算框架，让用户更方便的进行统计操作。
下面我们就来看看几个新的操作符：
$match$match的作用是过滤数据，通过设置一个条件，将数据进行筛选过滤，例子：
db.runCommand({ aggregate : “article”, pipeline : [{ $match : { author : “dave” } }]});这相当于将article这个collection中的记录进行筛选，筛选条件是author属性值为dave，其作用其实相当于普通的find命令，如：
> db.article.find({ author : “dave” });所以，那这个命令有什么用呢？与find不同，find的结果是直接作为最终数据返回，而$match只是pipeline中的一环，它筛选的结果数据可以再进行下一级的统计操作。
$project$project命令用于设定数据的筛选字段，就像我们SQL中select需要的字段一样。例子：
db.runCommand({ aggregate : “article”, pipeline : [{ $match : { author : “dave” } },{ $project : {_id : 0, author : 1,tags : 1}}]});上面就是将所有author为dave的记录的author和tags两个字段取出来。（_id:0 表示去掉默认会返回的_id字段）
其实上面这个功能也能用我们平时用的find命令来实现，如：
> db.article.find({ author : “dave” }, { _id : 0, author : 1, tags : 1);$unwind$unwind命令很神奇，他可以将某一个为array类型字段的数据拆分成多条，每一条包含array中的一个属性。
比如你使用下面命令添加一条记录：
这里面tags字段就是一个array。下面我们在这个字段上应用$unwind操作
db.runCommand({ aggregate : “article”, pipeline : [{ $unwind : “$tags” }]});上面命令的意思就是按tags字段来拆分，此命令执行的结果如下：
{“result” : [{“_id” : ObjectId(“4eeeb5fef09a7c9170df094b”),”title” : “this is your title”,”author” : “dave”,”posted” : ISODate(“2100-08-08T04:11:10Z”),”pageViews” : 7,”tags” : “fun”,”comments” : [{“au本文来源gao($daima.com搞@代@#码8网^thor” : “barbara”,”text” : “this is interesting”},{“author” : “jenny”,”text” : “i like to play pinball”,”votes” : 10}],”other” : {“bar” : 14}},{“_id” : ObjectId(“4eeeb5fef09a7c9170df094b”),”title” : “this is your title”,”author” : “dave”,”posted” : ISODate(“2100-08-08T04:11:10Z”),”pageViews” : 7,”tags” : “nasty”,”comments” : [{“author” : “barbara”,”text” : “this is interesting”},{“author” : “jenny”,”text” : “i like to play pinball”,”votes” : 10}],”other” : {“bar” : 14}}],”ok” : 1}我们可以看到，，原来的tags字段是一个包含两个元素的数组，通过$unwind命令后，被拆分成两条记录，每一条记录的tags字段是原来数组中的一个元素。
$group$group命令比较好理解，功能就是按某一个key将key值相同的多条数据组织成一条。
比如我们使用下面命令再往article这个collection中写入一条记录，这时候我们就有两条记录了：
我们可以先用上面的$unwind按tags将记录拆成多条，然后再将记录按tags字段重新组织，将同一个tag对应的所有author放在一个array中。只需要像下面这样写：
db.runCommand({ aggregate : “article”, pipeline : [{ $unwind : “$tags” },{ $group : { _id : “$tags”,count : { $sum : 1 }, authors : { $addToSet : “$author” }}}]});这时候你就能得到如下结果了
{“result” : [{“_id” : “filthy”,”count” : 1,”authors” : [“jane”]},{“_id” : “fun”,”count” : 1,”authors” : [“dave”]},{“_id” : “nasty”,”count” : 2,”authors” : [“jane”,”dave”]}],”ok” : 1}上面是2.1版本将会推出的一些新的统计类命令的介绍，在易用性方面它们提供给我们很多便利，但是MongoDB MapReduce的最大硬伤，单个mongod中无法并行执行，貌似还是没有解决。虽然其命令中采用了pipeline 的组织模式，但是貌似还是完全串行且分降段完成的。
转载请注明原文链接：MongoDB新的数据统计框架介绍
