mongodb和apachespark使用相同的map reduce算法吗 哪种方法（m.r使用spark或原生mongodb map reduce）更有效 ?
广义的Map缩减算法，是的。尽管在实现方面它们是不同的（比如javascript和javajar）
如果您的问题更多的是找出这两种方法是否适合您的用例，那么您应该从其他方面考虑。尤其是对于您的用例，您发现两者在性能上是相似的。下面我们来探讨一下：
假设您有资源（时间、金钱、服务器）和专业知识来维护一个apachespark集群和mongodb集群，那么拥有一个单独的处理框架（spark）和数据存储（mongodb）是理想的。在mongodb服务器中维护cpu/ram资源只用于数据库查询，在spark节点中维护cpu/ram资源只用于密集的etl。然后将处理结果写回mongodb。
如果您使用的是用于apachespark的mongodb连接器，那么您可以利用聚合管道和（辅助）索引来仅对spark需要的数据范围进行etl。与拉不必要的数据到spark节点相反，这意味着更多的处理开销、硬件要求和网络延迟。
您可能会发现以下资源很有用：
mongodb connector for spark:入门-包含聚合示例。
mongodb spark连接器java api
m233:spark和mongodb入门-免费在线课程
如果您没有资源和专业知识来维护spark集群，那么将其保存在mongodb中。值得一提的是，对于大多数聚合操作， 这个 聚合管道 提供比mongodb的map reduce更好的性能和更一致的接口。如果您可以将map reduce转换为聚合管道，我建议您这样做。另请参阅聚合管道优化以获取额外的优化提示。
如果您的用例不需要实时处理，您可以配置mongodb副本集的延迟或隐藏节点。它将作为聚合/Map缩减处理的专用服务器/示例。分离处理节点和数据存储节点。另请参见副本集体系结构。