MongoDB和Elasticsearch都是流行的NoSQL数据库，它们都支持聚合查询，即对数据进行分组、统计、排序等操作。但是，它们在聚合查询的实现方式、性能和适用场景上有一些区别。本文将对比MongoDB和Elasticsearch的聚合查询功能，并给出一些性能测试的结果。
MongoDB的聚合查询
MongoDB的聚合查询是基于管道（pipeline）的模型，即将数据通过一系列的操作符（operator）进行处理，每个操作符都会产生一个新的数据集，作为下一个操作符的输入。MongoDB提供了很多操作符，可以实现各种复杂的聚合逻辑，例如$match, $group, $sort, $project, $unwind, $lookup等。MongoDB还支持使用JavaScript函数进行自定义的聚合操作。
MongoDB的聚合查询可以在单个节点或者分片集群（sharded cluster）上执行，但是在分片集群上执行时，需要注意一些限制，例如不能使用$lookup, $graphLookup, $facet等操作符，不能跨分片进行排序等。另外，MongoDB的聚合查询有一个内存限制，默认为100MB，如果超过这个限制，需要使用$allowDiskUse选项来允许使用磁盘空间。
Elasticsearch的聚合查询
Elasticsearch的聚合查询是基于桶（bucket）和度量（metric）的模型，即将数据分成不同的桶，每个桶都有一个或多个度量，用来计算桶内数据的统计值，例如count, sum, avg, min, max等。Elasticsearch提供了很多桶和度量类型，可以实现各种复杂的聚合逻辑，例如terms, histogram, date_histogram, range, filter, cardinality, percentiles等。
Elasticsearch的聚合查询可以在单个节点或者分布式集群上执行，但是在分布式集群上执行时，需要注意一些问题，例如网络开销、内存占用、准确性等。Elasticsearch会将聚合查询分成两个阶段：map和reduce。在map阶段，每个节点会对本地数据进行聚合，并返回部分结果给协调节点（coordinating node）。在reduce阶段，协调节点会对所有节点返回的部分结果进行汇总，并返回最终结果给客户端。这个过程可能会导致一些问题，例如：
1.网络开销：每个节点返回的部分结果可能会很大，导致网络传输时间增加。
2.内存占用：协调节点需要在内存中存储所有节点返回的部分结果，并进行汇总，这可能会导致内存不足。
3.准确性：由于每个节点只对本地数据进行聚合，并不知道全局数据的分布情况，所以返回的部分结果可能不够准确。例如，在计算基数（cardinality）或百分位数（percentiles）时，可能会出现误差。
为了解决这些问题，Elasticsearch提供了一些参数和选项来控制聚合查询的行为，例如：
1.size：控制每个桶返回的文档数量，默认为10。
2.shard_size：控制每个节点返回的桶数量，默认为size * 1.5 + 10。
3.precision_threshold：控制基数聚合的准确性，默认为3000。
4.hdr：控制百分位数聚合的算法，默认为T-Digest。