MongoDB操作、非关系型数据库存储

非关系型数据库存储

• NoSQL

  • 模型非关系型
  • 可以存储JSON、键值对等(取决于NoSQL数据库类型)
  • 并不是每条记录都要有相同的结构
  • 添加带有新属性的数据时，不会影响其他
  • 支持ACID事务，根据使用的NoSQL的数据库而有所不同
  • 一致性可以改变
  • 横向扩展能力

对于爬虫的数据存储来说，一条数据可能存在某些字段提取失败而缺失的情况，而且数据可能随时调整。另外，数据之间还存在嵌套关系。如果使用关系型数据库存储，一是需要提前建表，二是如果存在数据嵌套关系的话，需要进行序列化操作才可以存储，这非常不方便。如果用了非关系型数据库，就可以避免一些麻烦，更简单高效

MongoDB 是由 C++ 语言编写的非关系型数据库，是一个基于分布式文件存储的开源数据库系统，其内容存储形式类似 JSON 对象，它的字段值可以包含其他文档、数组及文档数组，非常灵活。在这一节中，我们就来看看 Python 3 下 MongoDB 的存储操作

1. 准备工作

• 确保MongoDB已安装并启动服务
• 安装pymongo库

2. 连接MongoDB

连接 MongoDB 时，我们需要使用 PyMongo 库里面的 MongoClient。一般来说，传入 MongoDB 的 IP 及端口即可，其中第一个参数为地址 host，第二个参数为端口 port（如果不给它传递参数，默认是 27017）

import pymongo
client = pymongo.MongoClient(host = "localhost",port = 27017)
1
2

3.指定数据库

MongoDB 中可以建立多个数据库，接下来我们需要指定操作哪个数据库。这里我们以 test 数据库为例来说明，下一步需要在程序中指定要使用的数据库

db = client.test
1

这里调用 client 的 test 属性即可返回 test 数据库

db = client['test']
1

4. 指定集合

MongoDB 的每个数据库又包含许多集合（collection），它们类似于关系型数据库中的表。

下一步需要指定要操作的集合，这里指定一个集合名称为 students。与指定数据库类似，指定集合也有两种方式：

# 声明了一个 Collection 对象
# collection.drop()
collection = db.students
1
2
3

collection = db['students']
1

5. 插入数据

# 新建数据集
student = {
    'id': '20170101',
    'name': 'Jordan',
    'age': 20,
    'gender': 'male'
}
1
2
3
4
5
6
7

# 直接调用 collection 的 insert() 方法即可插入单条数据
result = collection.insert(student)
print(result)
1
2
3

在 MongoDB 中，每条数据其实都有一个_id 属性来唯一标识。如果没有显式指明该属性，MongoDB 会自动产生一个 ObjectId 类型的_id 属性。insert() 方法会在执行后返回_id 值

# 插入多条数据
student1 = {
    'id': '20170101',
    'name': 'Jordan',
    'age': 20,
    'gender': 'male'
}

student2 = {
    'id': '20170202',
    'name': 'Mike',
    'age': 21,
    'gender': 'male'
}

result = collection.insert([student1, student2])
print(result)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

返回结果是对应的_id 的集合

实际上，在 PyMongo 3.x 版本中，官方已经不推荐使用 insert() 方法了。当然，继续使用也没有什么问题。官方推荐使用 insert_one() 和 insert_many() 方法来分别插入单条记录和多条记录

student = {
    'id': '20170101',
    'name': 'Jordan',
    'age': 20,
    'gender': 'male'
}

result = collection.insert_one(student)
print(result)
print(result.inserted_id)
# 与 insert() 方法不同，这次返回的是 InsertOneResult 对象，我们可以调用其 inserted_id 属性获取_id
1
2
3
4
5
6
7
8
9
10
11

student1 = {
    'id': '20170101',
    'name': 'Jordan',
    'age': 20,
    'gender': 'male'
}

student2 = {
    'id': '20170202',
    'name': 'Mike',
    'age': 21,
    'gender': 'male'
}

result = collection.insert_many([student1, student2])
print(result)
print(result.inserted_ids)
# 该方法返回的类型是 InsertManyResult，调用 inserted_ids 属性可以获取插入数据的_id 列表
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

6.查询

插入数据后，我们可以利用 find_one() 或 find() 方法进行查询，其中 find_one() 查询得到的是单个结果，find() 则返回一个生成器对象

result = collection.find_one({'name': 'Mike'})
print(type(result))
print(result)
1
2
3

也可以根据 ObjectId 来查询，此时需要使用 bson 库里面的 objectid

from bson.objectid import ObjectId

result = collection.find_one({'_id': ObjectId('616157f33e18aab81056be75')})
print(result)
1
2
3
4

对于多条数据的查询，我们可以使用 find() 方法

# 查询年龄大于 20 的数据
# 查询的条件键值已经不是单纯的数字了，而是一个字典，其键名为比较符号 $gt，意思是大于，键值为 20
results = collection.find({'age': {'$gt': 20}})
[print(result) for result in results]
1
2
3
4

# 正则匹配查询
# 查询名字以 M 开头的学生数据
results = collection.find({'name': {'$regex': '^M.*'}})
[print(result) for result in results]
1
2
3
4

比较符号

功能符号

7 计数、排序、偏移

• 要统计查询结果有多少条，可以调用count()方法
• 要排序，调用sort()方法，传入升序标志：pymongo.ASCENDING,降序标志：pymongo.DESCENDING
• 只提取结果中的几个元素，调用skip()方法偏移几个位置；只提取几个结果，调用limit()方法

#统计所有数据条数
count = collection.find().count()
print(count)
1
2
3

#统计符合某个条件的数据
count = collection.find({'age': 20}).count()
print(count)
1
2
3

# 排序
results = collection.find().sort('name', pymongo.ASCENDING)
print([result['name'] for result in results])
1
2
3

# 偏移
results = collection.find().sort('name', pymongo.ASCENDING).skip(2)
print([result['name'] for result in results])
1
2
3

#偏移+限制
results = collection.find().sort('name', pymongo.ASCENDING).skip(2).limit(2)
print([result['name'] for result in results])
1
2
3

8.更新

对于数据更新，我们可以使用 update() 方法，指定更新的条件和更新后的数据即可

condition = {'name': 'Jordan'}
student = collection.find_one(condition)
student['age'] = 25
result = collection.update(condition, student)
print(result)
1
2
3
4
5

我们也可以使用$set 操作符对数据进行更新.这样可以只更新 student 字典内存在的字段。如果原先还有其他字段，则不会更新，也不会删除。而如果不用 $set 的话，则会把之前的数据全部用 student 字典替换；如果原本存在其他字段，则会被删除

result = collection.update(condition, {'$set': student})
1

update() 方法其实也是官方不推荐使用的方法。这里也分为 update_one() 方法和 update_many() 方法，用法更加严格，它们的第二个参数需要使用 $ 类型操作符作为字典的键名，示例如下

condition = {'name': 'Kevin'}
student = collection.find_one(condition)
student['age'] = 26
result = collection.update_one(condition, {'$set': student})
print(result)
print(result.matched_count, result.modified_count)
1
2
3
4
5
6

里调用了 update_one() 方法，第二个参数不能再直接传入修改后的字典，而是需要使用 {‘$set’: student} 这样的形式，其返回结果是 UpdateResult 类型。然后分别调用 matched_count 和 modified_count 属性，可以获得匹配的数据条数和影响的数据条数

9. 删除

删除操作比较简单，直接调用 remove() 方法指定删除的条件即可，此时符合条件的所有数据均会被删除

result = collection.remove({'name': 'Kevin'})
print(result)
1
2

另外，这里依然存在两个新的推荐方法 ——delete_one() 和 delete_many()

result = collection.delete_one({'name': 'Kevin'})
print(result)
print(result.deleted_count)
result = collection.delete_many({'age': {'$lt': 25}})
print(result.deleted_count)
1
2
3
4
5