@H_301_1@ MongDB的MapReduce相当于MysqL中的“group by”，所以在MongoDB上使用Map/Reduce进行并行“统计”很容易。

@H_301_1@ 使用MapReduce要实现两个函数Map函数和Reduce函数，Map函数调用emit(key,value),遍历collection中的所有记录，将key和value传递给Reduce函数进行处理。Map函数和Reduce函数可以使用JS来实现，可以通过db.runCommand或mapReduce命令来执行一个MapReduce操作。

@H_301_1@ 示例shell

@H_301_1@ 参数说明:

mapreduce: 要操作的目标集合。

map: 映射函数 (生成键值对序列，作为 reduce 函数参数)。

reduce: 统计函数。

query: 目标记录过滤。

sort: 目标记录排序。

limit: 限制目标记录数量。

out: 统计结果存放集合 (不指定则使用临时集合，在客户端断开后自动删除)。

keeptemp: 是否保留临时集合。

finalize: 最终处理函数 (对 reduce 返回结果进行最终整理后存入结果集合)。

scope: 向 map、reduce、finalize 导入外部变量。

verbose: 显示详细的时间统计信息。

@H_301_1@ 下面我们准备数据以备后面示例所需

@H_301_1@ 现在我们演示如何统计1班和2班的学生数量

@H_301_1@ Map 函数必须调用 emit(key,value) 返回键值对，使用 this 访问当前待处理的 Document。

@H_301_1@ 这里this一定不能忘了！！！

@H_301_1@ value 可以使用 JSON Object 传递 (支持多个属性值)。例如:
emit(this.classid,{count:1})
Reduce 函数接收的参数类似 Group 效果，将 Map 返回的键值序列组合成 { key,[value1,value2,value3,value...] } 传递给 reduce。

@H_301_1@ Reduce 函数对这些 values 进行 "统计" 操作，返回结果可以使用 JSON Object。

@H_301_1@ 结果如下：

@H_301_1@ mapReduce() 将结果存储在 "students_res" 表中。

@H_301_1@ 利用 finalize() 我们可以对 reduce() 的结果做进一步处理。

@H_301_1@ 我们再重新计算一次，看看返回的结果:

@H_301_1@ 列名变与 “classid”和”count”了，这样的列表更容易理解。

@H_301_1@

@H_301_1@ 我们还可以添加更多的控制细节。

@H_301_1@ 可以看到先进行了过滤，只取age<10 的数据，然后再进行统计，所以就没有1 班的统计数据了。