Aggregation

聚合（aggregate）指令可以操作一個集合中的文檔，將統計或處理部分的域， 再經過加工后返回到客戶端，這些工作都是在服務器端完成的。如果是使用pipeline，通常就是按順序將整個集合傳進去，然后進行加工處理，但是可以通過一些操作符在傳遞整個集合之前進行篩選。pipline還可以得到index的支持。

Aggregation Pipeline 管道

Pipline Optimization 優化操作

在執行聚合的時候，其中有一個優化的階段，通常就是通過調整操作符之間的相對順序來達到優化的目的，比如下面這些典型的例子。

當在aggregate時使用了$sort + $match 的時候，match在sort之前可能會減少一些集合的排序工作：
{ $match: { status: 'A' } },{ $sort: { age : -1 } }

當在aggregate時使用了$skip + $limit的時候，limit在skip之前可能會減少一些工作量。考慮如下的順序：
{ $skip: 10 },{ $limit: 5 }
先忽略了前10個，再取出5個。在執行skip操作的時候，被操作的是被選中的所有文檔，最終我們才要了其中的5個。再考慮如下的順序：
{ $limit: 15 },{ $skip: 10 }
先限制返回的文檔最多只有15個，然后再操作這15個文檔，進行skip。相對來說，比上面的方式要快了。

優化器還會執行一些相對比較復雜的優化操作。舉個例子，考慮如下的操作順序：
{ $redact: { $cond: { if: { $eq: [ "$level", 5 ] }, then: "$$PRUNE", else: "$$DESCEND" } } }, { $match: { year: 2014, category: { $ne: "Z" } } }
先進行編輯，再進行匹配。這兩個操作似乎是有依賴的，因為編輯了之后可能會有一些field值的變動，會影響后面match的結果。為了優化操作，可以先執行一部分的匹配，減少選中的文檔，再進行redact操作就可以減少了一些的時間啦。所以，優化之后的樣子可能是這樣的：
{ $match: { year: 2014 } }, { $redact: { $cond: { if: { $eq: [ "$level", 5 ] }, then: "$$PRUNE", else: "$$DESCEND" } } }, { $match: { year: 2014, category: { $ne: "Z" } } }

Pipeline Limits 操作限制

自2.6開始，aggregate命令就可以返回一個cursor或者將結果存儲于一個集合中。每個文檔的大小是符合BSON大小限制的（16MB），若超過了這個限制就會產生error。這個限制僅針對于返回的文檔，而pipeline執行的過程中可能會超過這個限制。

如果沒有指定要返回一個cursor或者是將結果存儲于一個集合中，那么MongoDB默認返回一個包含結果的文檔，此時如果超出BSON大小限制的話就會產生錯誤。

pipeline stage（翻譯為階段？）的內存限制是100MB，一旦超過限制就會出錯。那要是文件比較大呢？可以考慮allowDiskUse選項，它會在必要時將臨時數據存儲到磁盤中去。

Map-Reduce 函數支持

mapreduce提供了一些aggregation pipline不支持的操作，使用起來更加靈活。它的樣子就跟一個函數一樣，返回的是文檔集合。
mapreduce操作可以將操作結果寫進集合中或者僅僅返回結果，操作過程中可以執行一連續的map、reduce等操作，對上一次的輸出進行輸入。

Map-Reduce exampes 例子

假設有一個orders集合，每個文檔表示一個訂單，文檔大致如下所示：

{
     _id: ObjectId("50a8240b927d5d8b5891743c"),
     cust_id: "abc123",
     ord_date: new Date("Oct 04, 2012"),
     status: 'A',
     price: 25,
     items: [ { sku: "mmm", qty: 5, price: 2.5 },
              { sku: "nnn", qty: 5, price: 2.5 } ]
}

現在要查詢每個用戶一共支付了多少錢，這需要對每個訂單根據用戶id進行分類，再對其中的price域，進行求和