MapReduce 可能计算非常复杂的聚合逻辑，非常灵活，然而，MapReduce 十分慢，不应该用于实时的数据分析中。MapReduce 可能在多台 Server 上并行执行，每台 Server 只负责实现一部分 wordload，最初将 wordload 发送到 Master Server 上合并，计算出最终的后果集，返回客户端。
MapReduce 的根本思维，如下图所示：

在这个例子中，咱们以一个求和为例。首先执行 Map 阶段，把一个大工作拆分成若干个小工作，每个小工作运行在不同的节点上，从而反对分布式计算，这个阶段叫做 Map（如蓝框所示）；每个小工作输入的后果再进行二次计算，最初失去后果 55，这个阶段叫做 Reduce（如红框所示）。

应用 MapReduce 形式计算聚合，次要分为三步：Map，Shuffle（拼凑）和 Reduce，Map 和 Reduce 须要显式定义，shuffle 由 MongoDB 来实现。

• Map：将操作映射到每个 doc，产生 Key 和 Value
• Shuffle：依照 Key 进行分组，并将 key 雷同的 Value 组合成数组
• Reduce：把 Value 数组化简为单值

咱们以上面的测试数据（员工数据）为例，来为大家演示。

db.emp.insert(
[{_id:7369,ename:'SMITH' ,job:'CLERK'    ,mgr:7902,hiredate:'17-12-80',sal:800,comm:0,deptno:20},
{_id:7499,ename:'ALLEN' ,job:'SALESMAN' ,mgr:7698,hiredate:'20-02-81',sal:1600,comm:300 ,deptno:30},
{_id:7521,ename:'WARD'  ,job:'SALESMAN' ,mgr:7698,hiredate:'22-02-81',sal:1250,comm:500 ,deptno:30},
{_id:7566,ename:'JONES' ,job:'MANAGER'  ,mgr:7839,hiredate:'02-04-81',sal:2975,comm:0,deptno:20},
{_id:7654,ename:'MARTIN',job:'SALESMAN' ,mgr:7698,hiredate:'28-09-81',sal:1250,comm:1400,deptno:30},
{_id:7698,ename:'BLAKE' ,job:'MANAGER'  ,mgr:7839,hiredate:'01-05-81',sal:2850,comm:0,deptno:30},
{_id:7782,ename:'CLARK' ,job:'MANAGER'  ,mgr:7839,hiredate:'09-06-81',sal:2450,comm:0,deptno:10},
{_id:7788,ename:'SCOTT' ,job:'ANALYST'  ,mgr:7566,hiredate:'19-04-87',sal:3000,comm:0,deptno:20},
{_id:7839,ename:'KING'  ,job:'PRESIDENT',mgr:0,hiredate:'17-11-81',sal:5000,comm:0,deptno:10},
{_id:7844,ename:'TURNER',job:'SALESMAN' ,mgr:7698,hiredate:'08-09-81',sal:1500,comm:0,deptno:30},
{_id:7876,ename:'ADAMS' ,job:'CLERK'    ,mgr:7788,hiredate:'23-05-87',sal:1100,comm:0,deptno:20},
{_id:7900,ename:'JAMES' ,job:'CLERK'    ,mgr:7698,hiredate:'03-12-81',sal:950,comm:0,deptno:30},
{_id:7902,ename:'FORD'  ,job:'ANALYST'  ,mgr:7566,hiredate:'03-12-81',sal:3000,comm:0,deptno:20},
{_id:7934,ename:'MILLER',job:'CLERK'    ,mgr:7782,hiredate:'23-01-82',sal:1300,comm:0,deptno:10}
]
);

（案例一）求员工表中，每种职位的人数

var map1=function(){emit(this.job,1)}
var reduce1=function(job,count){return Array.sum(count)}
db.emp.mapReduce(map1,reduce1,{out:"mrdemo1"})

（案例二）求员工表中，每个部门的工资总和

var map2=function(){emit(this.deptno,this.sal)}
var reduce2=function(deptno,sal){return Array.sum(sal)}
db.emp.mapReduce(map2,reduce2,{out:"mrdemo2"})

（案例三）Troubleshoot the Map Function

 定义本人的 emit 函数：var emit = function(key, value) {print("emit");
print("key:" + key + "value:" + tojson(value));
}

测试一条数据：emp7839=db.emp.findOne({_id:7839})
map2.apply(emp7839)
输入以下后果：emit
key: 10  value: 5000

测试多条数据：var myCursor=db.emp.find()
while (myCursor.hasNext()) {var doc = myCursor.next();
    print ("document _id=" + tojson(doc._id));
    map2.apply(doc);
    print();}

（案例四）Troubleshoot the Reduce Function

 一个简略的测试案例
var myTestValues = [5, 5, 10];
var reduce1=function(key,values){return Array.sum(values)}
reduce1("mykey",myTestValues)

测试：Reduce 的 value 蕴含多个值
测试数据：薪水、奖金：var myTestObjects = [{ sal: 1000, comm: 5},
                      {sal: 2000, comm: 10},
                      {sal: 3000, comm: 15}
                    ];
开发 reduce 办法：var reduce2=function(key,values) {reducedValue = { sal: 0, comm: 0};
   for(var i=0;i<values.length;i++) {reducedValue.sal += values[i].sal;
     reducedValue.comm += values[i].comm;
   }  
   return reducedValue;
}

测试：reduce2("aa",myTestObjects)