MongoDB文档存储
NoSQL，全称 Not Only SQL，意为不仅仅是 SQL，泛指非关系型数据库。NoSQL 是基于键值对的，而且不需要经过 SQL 层的解析，数据之间没有耦合性，性能非常高。
非关系型数据库又可细分如下。
- 键值存储数据库：代表有 Redis、Voldemort 和 Oracle BDB 等。
- 列存储数据库：代表有 Cassandra、HBase 和 Riak 等。
- 文档型数据库：代表有 CouchDB 和 MongoDB 等。
- 图形数据库：代表有 Neo4J、InfoGrid 和 Infinite Graph 等。
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。
开始之前，确保已经安装好了 MongoDB 并启动了其服务，并且安装好了 Python 的 PyMongo 库。
pip3 install pymongo
连接 MongoDB 时，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)
这样就可以创建 MongoDB 的连接对象了。
MongoClient 的第一个参数 host 还可以直接传入 MongoDB 的连接字符串，它以 mongodb 开头，例如：
client = MongoClient('mongodb://localhost:27017/')
也可以达到同样的连接效果。
在MongoDB 中可以建立多个数据库。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
这里调用 client 的 test 属性即可返回 test 数据库。当然，我们也可以这样指定：
db = client['test']
这两种方式是等价的。
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：
collection = db.students
collection = db['students']
这样便声明了一个 Collection 对象。
接下来，便可以插入数据了。对于 students 这个集合，新建一条学生数据，这条数据以字典形式表示：
student = { 'id': '20170101', 'name': 'Jordan', 'age': 20, 'gender': 'male' }
这里指定了学生的学号、姓名、年龄和性别。接下来，直接调用 collection 的 insert 方法即可插入数据，代码如下：
result = collection.insert(student)
# pymongo==3.9及以下collection生效 print(result)
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。
运行结果如下：
6669952f21c188a3853476e6
当然，我们也可以同时插入多条数据，只需要以列表形式传递即可，示例如下：
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)
返回结果是对应的_id 的集合：
DeprecationWarning: insert is deprecated. Use insert_one or insert_many instead. result = collection.insert([student1, student2]) [ObjectId('6669abfc9aac181a724098c6'), ObjectId('6669abfc9aac181a724098c7')]
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)
运行结果如下：
<pymongo.results.InsertOneResult object at 0x000001FBDFD52B80>
6669ad6bda2d4c31ff51ae24
与 insert() 方法不同，这次返回的是 InsertOneResult 对象，可以调用其 inserted_id 属性获取_id。
对于 insert_many() 方法，我们可以将数据以列表形式传递，示例如下：
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)
运行结果：
<pymongo.results.InsertManyResult object at 0x0000022B32E20440> [ObjectId('6669ae62f8eee71791d56b5b'), ObjectId('6669ae62f8eee71791d56b5c')]
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。
插入数据后，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。示例如下：
import pymongo client = pymongo.MongoClient(host='localhost', port=27017) db = client.test collection = db.students result = collection.find_one({'name': 'Mike'}) print(type(result)) print(result)
查询 name 为 Mike 的数据，它的返回结果是字典类型，运行结果如下：
<class 'dict'> {'_id': ObjectId('6669abfc9aac181a724098c7'), 'id': '20170202', 'name': 'Mike', 'age': 21, 'gender': 'male'}
可以发现，多了_id 属性，这就是 MongoDB 在插入过程中自动添加的。
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('6669abfc9aac181a724098c7')}) print(result)
查询结果依然是字典类型，具体如下：
{'_id': ObjectId('6669abfc9aac181a724098c7'), 'id': '20170202', 'name': 'Mike', 'age': 21, 'gender': 'male'}
如果查询结果不存在，则会返回 None。
对于多条数据的查询，可以使用 find() 方法。例如，这里查找年龄为 20 的数据，示例如下：
results = collection.find({'age': 20})
print(results)
for result in results:
print(result)
运行结果如下：
<pymongo.cursor.Cursor object at 0x000001360A251290> {'_id': ObjectId('6669952f21c188a3853476e6'), 'id': '20170101', 'name': 'Jordan', 'age': 20, 'gender': 'male'} {'_id': ObjectId('6669aa608a7a1ca573f50a57'), 'id': '20170101', 'name': 'Jordan', 'age': 20, 'gender': 'male'} {'_id': ObjectId('6669ab12aa8d37494f2fa065'), 'id': '20170101', 'name': 'Jordan', 'age': 20, 'gender': 'male'} {'_id': ObjectId('6669ab189941351aa1f09d6a'), 'id': '20170101', 'name': 'Jordan', 'age': 20, 'gender': 'male'} {'_id': ObjectId('6669abc09d79850f07ba8e35'), 'id': '20170101', 'name': 'Jordan', 'age': 20, 'gender': 'male'} {'_id': ObjectId('6669abfc9aac181a724098c6'), 'id': '20170101', 'name': 'Jordan', 'age': 20, 'gender': 'male'}
返回结果是 Cursor 类型，它相当于一个生成器，需要遍历取到所有的结果，其中每个结果都是字典类型。
如果要查询年龄大于 20 的数据，则写法如下：
results = collection.find({'age': {'$gt': 20}})
这里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。比较符号表如下：
| 符 号 | 含 义 | 示 例 |
|---|---|---|
| $lt | 小于 | {'age': {'$lt': 20}} |
| $gt | 大于 | {'age': {'$gt': 20}} |
| $lte | 小于等于 | {'age': {'$lte': 20}} |
| $gte | 大于等于 | {'age': {'$gte': 20}} |
| $ne | 不等于 | {'age': {'$ne': 20}} |
| $in | 在范围内 | {'age': {'$in': [20, 23]}} |
| $nin | 不在范围内 | {'age': {'$nin': [20, 23]}} |
还可以进行正则匹配查询。例如，查询名字以 M 开头的学生数据，示例如下：
results = collection.find({'name': {'$regex': '^M.*'}})
使用 $regex 来指定正则匹配，^M.* 代表以 M 开头的正则表达式。
这里将一些功能符号再归类为表 5-4。
表 5-4 功能符号
| 符 号 | 含 义 | 示 例 | 示例含义 |
|---|---|---|---|
| $regex | 匹配正则表达式 | {'name': {'$regex': '^M.*'}} | name 以 M 开头 |
| $exists | 属性是否存在 | {'name': {'$exists': True}} | name 属性存在 |
| $type | 类型判断 | {'age': {'$type': 'int'}} | age 的类型为 int |
| $mod | 数字模操作 | {'age': {'$mod': [5, 0]}} | 年龄模 5 余 0 |
| $text | 文本查询 | {'$text': {'$search': 'Mike'}} | text 类型的属性中包含 Mike 字符串 |
| $where | 高级条件查询 | {'$where': 'obj.fans_count == obj.follows_count'} | 自身粉丝数等于关注数 |
这些操作的更详细用法，可以在 MongoDB 官方文档找到： https://docs.mongodb.com/manual/reference/operator/query/。
要统计查询结果有多少条数据，可以调用 count() 方法。比如，统计所有数据条数：
count = collection.find().count() print(count)
或者统计符合某个条件的数据：
count = collection.find({'age': 20}).count()
print(count)
运行结果是一个数值，即符合条件的数据条数。
排序时，直接调用 sort() 方法，并在其中传入排序的字段及升降序标志即可。示例如下：
results = collection.find().sort('name', pymongo.ASCENDING) print([result['name'] for result in results])
运行结果：
['Jordan', 'Jordan', 'Jordan', 'Jordan', 'Jordan', 'Jordan', 'Jordan', 'Jordan', 'Jordan', 'Mike', 'Mike']
这里调用 pymongo.ASCENDING 指定升序。如果要降序排列，可以传入 pymongo.DESCENDING。
在某些情况下，可能想只取某几个元素，这时可以利用 skip() 方法偏移几个位置，比如偏移 2，就忽略前两个元素，得到第三个及以后的元素：
results = collection.find().sort('name', pymongo.ASCENDING).skip(2) print([result['name'] for result in results])
运行结果：
['Jordan', 'Jordan', 'Jordan', 'Jordan', 'Jordan', 'Jordan', 'Jordan', 'Jordan', 'Jordan', 'Mike', 'Mike']
还可以用 limit() 方法指定要取的结果个数，示例如下：
results = collection.find().sort('name', pymongo.ASCENDING).skip(2).limit(2) print([result['name'] for result in results])
运行结果：
['Jordan', 'Jordan']
如果不使用 limit() 方法，原本会返回所有结果，加了限制后，会截取两个结果返回。
值得注意的是，在数据库数量非常庞大的时候，如千万、亿级别，最好不要使用大的偏移量来查询数据，因为这样很可能导致内存溢出。此时可以使用类似如下操作来查询：
from bson.objectid import ObjectId collection.find({'_id': {'$gt': ObjectId('6669ab189941351aa1f09d6a')}})
这时需要记录好上次查询的_id。
对于数据更新，可以使用 update() 方法，指定更新的条件和更新后的数据即可。例如：
condition = {'name': 'Kevin'}
student = collection.find_one(condition)
student['age'] = 25
result = collection.update(condition, student)
print(result)
这里要更新 name 为 Kevin 的数据的年龄：首先指定查询条件，然后将数据查询出来，修改年龄后调用 update() 方法将原条件和修改后的数据传入。
运行结果：
DeprecationWarning: update is deprecated. Use replace_one, update_one or update_many instead. result = collection.update(condition, student)
返回结果是字典形式，ok 代表执行成功，nModified 代表影响的数据条数。
可以使用 $set 操作符对数据进行更新，代码如下：
result = collection.update(condition, {'$set': student})
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。
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, {'$set': student})
print(result)
print(result.matched_count, result.modified_count)
调用 update_one() 方法，第二个参数不能再直接传入修改后的字典，而是需要使用 {'$set': student} 这样的形式。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。
运行结果如下：
<pymongo.results.UpdateResult object at 0x0000019021471B80> 1 1
可以发现 update_one() 方法其返回结果是 UpdateResult 类型。
再看一个例子：
condition = {'age': {'$gt': 20}}
result = collection.update_one(condition, {'$inc': {'age': 1}})
print(result)
print(result.matched_count, result.modified_count)
这里指定查询条件为年龄大于 20，然后更新条件为 {'$inc': {'age': 1}}，也就是年龄加 1，执行之后会将第一条符合条件的数据年龄加 1。
运行结果如下：
<pymongo.results.UpdateResult object at 0x000002DD9D2DDD00> 1 1
可以看到匹配条数为 1 条，影响条数也为 1 条。
如果调用 update_many() 方法，则会将所有符合条件的数据都更新，示例如下：
condition = {'age': {'$gt': 20}}
result = collection.update_many(condition, {'$inc': {'age': 1}})
print(result)
print(result.matched_count, result.modified_count)
这时匹配条数就不再为 1 条了，运行结果如下：
<pymongo.results.UpdateResult object at 0x000002DD9D2DDD00> 1 1
这时所有匹配到的数据都会被更新。（数据库中只有一条符合条件的数据）
删除操作比较简单，直接调用 remove() 方法指定删除的条件即可，此时符合条件的所有数据均会被删除。示例如下：
result = collection.remove({'name': 'Kevin'})
print(result)
运行结果：
{'n': 1, 'ok': 1.0}
这里依然存在两个新的推荐方法 ——delete_one() 和 delete_many()。示例如下：
result = collection.delete_one({'name': 'Jordan'})
print(result)
print(result.deleted_count)
result = collection.delete_many({'age': {'$lt': 20}})
print(result.deleted_count)
运行结果：（数据库没数据了，以实际情况为准）
<pymongo.results.DeleteResult object at 0x00000259BD4ADD40>
0
0
delete_one() 即删除第一条符合条件的数据，delete_many() 即删除所有符合条件的数据。它们的返回结果都是 DeleteResult 类型，可以调用 deleted_count 属性获取删除的数据条数。
PyMongo 还提供了一些组合方法，如 find_one_and_delete()、find_one_and_replace() 和 find_one_and_update()，它们是查找后删除、替换和更新操作，其用法与上述方法基本一致。
还可以对索引进行操作，相关方法有 create_index()、create_indexes() 和 drop_index() 等。
关于 PyMongo 的详细用法，可以参见官方文档：http://api.mongodb.com/python/current/api/pymongo/collection.html。
另外，还有对数据库和集合本身等的一些操作，这里不再一一讲解，可以参见官方文档：http://api.mongodb.com/python/current/api/pymongo/。
