爬虫系列之mongodb
mongodb
mongo简介
简介
MongoDB是一个基于分布式文件存储的数据库。由C++语言编写。旨在为WEB应用提供可扩展的高性能数据存储解决方案。
MongoDB是一个介于关系数据库和非关系数据库之间的产品，是非关系数据库当中功能最丰富，最像关系数据库的。它支持的数据结构非常松散，是类似json的bson格式，因此可以存储比较复杂的数据类型。Mongo最大的特点是它支持的查询语言非常强大，其语法有点类似于面向对象的查询语言，几乎可以实现类似关系数据库单表查询的绝大部分功能，而且还支持对数据建立索引。
下载安装
mongodb的优势
mongodb的CURD
数据库操作
> use blog
switched to db blog
> show dbs
admin 0.000GB
config 0.000GB
local 0.000GB
test 0.000GB
> db.article.insert({"title":"西游记"})
WriteResult({ "nInserted" : 1 })
> db.userinfo.insert({"name":"alex"})
WriteResult({ "nInserted" : 1 })
> show tables;
article
userinfo
> show dbs
admin 0.000GB
blog 0.000GB
config 0.000GB
local 0.000GB
test 0.000GB
> db.dropDatabase()
{ "dropped" : "blog", "ok" : 1 }
集合操作
> use blog
switched to db blog
> db.article.insert({"title":"python"})
WriteResult({ "nInserted" : 1 })
> db.article.insert({"title":"linux"})
WriteResult({ "nInserted" : 1 })
> show tables;
article
> db.article.drop()
true
> show tables;
>
文档操作
添加文档
#1、没有指定_id则默认ObjectId,_id不能重复，且在插入后不可变#2、插入单条
user0={
"name":"egon",
"age":10,
'hobbies':['music','read','dancing'],
'addr':{
'country':'China',
'city':'BJ'
}
}db.test.insert(user0)
db.test.find()#3、插入多条
user1={
"_id":1,
"name":"alex",
"age":10,
'hobbies':['music','read','dancing'],
'addr':{
'country':'China',
'city':'weifang'
}
}user2={
"_id":2,
"name":"wupeiqi",
"age":20,
'hobbies':['music','read','run'],
'addr':{
'country':'China',
'city':'hebei'
}
}user3={
"_id":3,
"name":"yuanhao",
"age":30,
'hobbies':['music','drink'],
'addr':{
'country':'China',
'city':'heibei'
}
}user4={
"_id":4,
"name":"jingliyang",
"age":40,
'hobbies':['music','read','dancing','tea'],
'addr':{
'country':'China',
'city':'BJ'
}
}user5={
"_id":5,
"name":"jinxin",
"age":50,
'hobbies':['music','read',],
'addr':{
'country':'China',
'city':'henan'
}
}
db.user.insertMany([user1,user2,user3,user4,user5])
db.user.find()
查看文档
###################### (1) 比较运算 #################################### SQL：=,!=,>,<,>=,<=
MongoDB：{key:value}代表什么等于什么,"$ne","$gt","$lt","gte","lte",其中"$ne"能用于所有数据类型
#1、select * from db1.user where name = "alex";
db.user.find({'name':'alex'})#2、select * from db1.user where name != "alex";
db.user.find({'name':{"$ne":'alex'}})#3、select * from db1.user where id > 2;
db.user.find({'_id':{'$gt':2}})#4、select * from db1.user where id < 3;
db.user.find({'_id':{'$lt':3}})#5、select * from db1.user where id >= 2;
db.user.find({"_id":{"$gte":2,}})#6、select * from db1.user where id <= 2;
db.user.find({"_id":{"$lte":2}})###################### (2) 逻辑运算 ###################################
# SQL：and，or，not
MongoDB：字典中逗号分隔的多个条件是and关系，"$or"的条件放到[]内,"$not"
#1、select * from db1.user where id >= 2 and id < 4;
db.user.find({'_id':{"$gte":2,"$lt":4}})#2、select * from db1.user where id >= 2 and age < 40;
db.user.find({"_id":{"$gte":2},"age":{"$lt":40}})#3、select * from db1.user where id >= 5 or name = "alex";
db.user.find({
"$or":[
{'_id':{"$gte":5}},
{"name":"alex"}
]
})
#4、select * from db1.user where id % 2=1;
db.user.find({'_id':{"$mod":[2,1]}})#5、上题，取反
db.user.find({'_id':{"$not":{"$mod":[2,1]}}})
###################### (3) 成员运算 #################################### SQL：in，not in
MongoDB："$in","$nin"
#1、select * from db1.user where age in (20,30,31);
db.user.find({"age":{"$in":[20,30,31]}})#2、select * from db1.user where name not in ('alex','yuanhao');
db.user.find({"name":{"$nin":['alex','yuanhao']}})###################### (4) 正则匹配 ###################################
# SQL: regexp 正则
MongoDB: /正则表达/i
#1、select * from db1.user where name regexp '^j.?(g|n)$';
db.user.find({'name':/^j.?(g|n)$/i})###################### (5) 取指定字段 ###################################
#1、select name,age from db1.user where id=3;
db.user.find({'_id':3},{''name':1,'age':1})
#2 db.user.find({'_id':3},{"addr":0})
{ "_id" : 3, "name" : "yuanhao", "age" : 30, "hobbies" : [ "music", "drink" ] }###################### (6) 查询数组 ###################################
#1、查看有dancing爱好的人
db.user.find({'hobbies':'dancing'})#2、查看既有dancing爱好又有tea爱好的人
db.user.find({
'hobbies':{
"$all":['dancing','tea']
}
})#3、查看第4个爱好为tea的人
db.user.find({"hobbies.3":'tea'})#4、查看所有人最后两个爱好
db.user.find({},{'hobbies':{"$slice":-2},"age":0,"_id":0,"name":0,"addr":0})#5、查看所有人的第2个到第3个爱好
db.user.find({},{'hobbies':{"$slice":[1,2]},"age":0,"_id":0,"name":0,"addr":0})###################### (7) 排序 ###################################
# 排序:--1代表升序，-1代表降序
db.user.find().sort({"name":1,})
db.user.find().sort({"age":-1,'_id':1})###################### (8) 分页 ###################################
# 分页:--limit代表取多少个document，skip代表跳过前多少个document。
db.user.find().sort({'age':1}).limit(1).skip(2)###################### (9) 查询数量 ###################################
获取数量
db.user.count({'age':{"$gt":30}})
--或者
db.user.find({'age':{"$gt":30}}).count()###################### (10) 其它 ###################################
#1、{'key':null} 匹配key的值为null或者没有这个key
db.t2.insert({'a':10,'b':111})
db.t2.insert({'a':20})
db.t2.insert({'b':null})> db.t2.find({"b":null})
{ "_id" : ObjectId("5a5cc2a7c1b4645aad959e5a"), "a" : 20 }
{ "_id" : ObjectId("5a5cc2a8c1b4645aad959e5b"), "b" : null }#2、查找所有
db.user.find() #等同于db.user.find({})
db.user.find().pretty()#3、查找一个，与find用法一致，只是只取匹配成功的第一个
db.user.findOne({"_id":{"$gt":3}})
修改文档
############################## 1 update的语法 ############################## update() 方法用于更新已存在的文档。语法格式如下： db.collection.update( <query>, <update>, { upsert: <boolean>, multi: <boolean>, writeConcern: <document> } ) 参数说明：对比update db1.t1 set name='EGON',sex='Male' where name='egon' and age=18;query : 相当于where条件。
update : update的对象和一些更新的操作符（如$,$inc...等，相当于set后面的
upsert : 可选，默认为false，代表如果不存在update的记录不更新也不插入，设置为true代表插入。
multi : 可选，默认为false，代表只更新找到的第一条记录，设为true,代表更新找到的全部记录。
writeConcern :可选，抛出异常的级别。更新操作是不可分割的：若两个更新同时发送，先到达服务器的先执行，然后执行另外一个，不会破坏文档。
############################## 2 覆盖更新 ##############################
#注意：除非是删除，否则_id是始终不会变的
1 :
db.user.update({'age':20},{"name":"Wxx","hobbies_count":3})
是用{"_id":2,"name":"Wxx","hobbies_count":3}覆盖原来的记录#2、一种最简单的更新就是用一个新的文档完全替换匹配的文档。这适用于大规模式迁移的情况。例如
var obj=db.user.findOne({"_id":2})obj.username=obj.name+'SB'
obj.hobbies_count++
delete obj.agedb.user.update({"_id":2},obj)
############################## 3 局部更新 ##############################
#设置：$set
通常文档只会有一部分需要更新。可以使用原子性的更新修改器，指定对文档中的某些字段进行更新。
更新修改器是种特殊的键，用来指定复杂的更新操作，比如修改、增加后者删除#1、update db1.user set name="WXX" where id = 2
db.user.update({'_id':2},{"$set":{"name":"WXX",}})#2、没有匹配成功则新增一条{"upsert":true}
db.user.update({'_id':6},{"$set":{"name":"egon","age":18}},{"upsert":true})#3、默认只改匹配成功的第一条,{"multi":改多条}
db.user.update({'_id':{"$gt":4}},{"$set":{"age":28}})
db.user.update({'_id':{"$gt":4}},{"$set":{"age":38}},{"multi":true})#4、修改内嵌文档，把名字为alex的人所在的地址国家改成Japan
db.user.update({'name':"alex"},{"$set":{"addr.country":"Japan"}})#5、把名字为alex的人的地2个爱好改成piao
db.user.update({'name':"alex"},{"$set":{"hobbies.1":"piao"}})#6、删除alex的爱好,$unset
db.user.update({'name':"alex"},{"$unset":{"hobbies":""}})############################## 4 自增或自减 ##############################
#增加和减少：$inc
#1、所有人年龄增加一岁
db.user.update({},
{
"$inc":{"age":1}
},
{
"multi":true
}
)
#2、所有人年龄减少5岁
db.user.update({},
{
"$inc":{"age":-5}
},
{
"multi":true
}
)############################## 5 添加删除数组内元素 ##############################
#添加删除数组内元素：$push,$pop,$pull
往数组内添加元素:$push
#1、为名字为yuanhao的人添加一个爱好read
db.user.update({"name":"yuanhao"},{"$push":{"hobbies":"read"}})#2、为名字为yuanhao的人一次添加多个爱好tea，dancing
db.user.update({"name":"yuanhao"},{"$push":{
"hobbies":{"$each":["tea","dancing"]}
}})按照位置且只能从开头或结尾删除元素：$pop
#3、{"$pop":{"key":1}} 从数组末尾删除一个元素
db.user.update({"name":"yuanhao"},{"$pop":{
"hobbies":1}
})#4、{"$pop":{"key":-1}} 从头部删除
db.user.update({"name":"yuanhao"},{"$pop":{
"hobbies":-1}
})#5、按照条件删除元素,："$pull" 把符合条件的统统删掉，而$pop只能从两端删
db.user.update({'addr.country':"China"},{"$pull":{
"hobbies":"read"}
},
{
"multi":true
}
)############################## 6 避免重复添加 ##############################
#避免添加重复："$addToSet"
db.urls.insert({"_id":1,"urls":[]})db.urls.update({"_id":1},{"$addToSet":{"urls":'http://www.baidu.com'}})
db.urls.update({"_id":1},{"$addToSet":{"urls":'http://www.baidu.com'}})
db.urls.update({"_id":1},{"$addToSet":{"urls":'http://www.baidu.com'}})db.urls.update({"_id":1},{
"$addToSet":{
"urls":{
"$each":[
'http://www.baidu.com',
'http://www.baidu.com',
'http://www.xxxx.com'
]
}
}
}
)############################## 7 其它 ##############################
#1、了解：限制大小"$slice"，只留最后n个
db.user.update({"_id":5},{
"$push":{"hobbies":{
"$each":["read",'music','dancing'],
"$slice":-2
}
}
})#2、了解：排序The $sort element value must be either 1 or -1"
db.user.update({"_id":5},{
"$push":{"hobbies":{
"$each":["read",'music','dancing'],
"$slice":-1,
"$sort":-1
}
}
})#注意：不能只将"$slice"或者"$sort"与"$push"配合使用，且必须使用"$eah"
删除文档
#1、删除多个中的第一个
db.user.deleteOne({ 'age': 8 })
2、删除国家为China的全部
db.user.deleteMany( {'addr.country': 'China'} )
3、删除全部
db.user.deleteMany({})
pymongo
""" MongoDB存储 在这里我们来看一下Python3下MongoDB的存储操作，在本节开始之前请确保你已经安装好了MongoDB并启动了其服务，另外安装好了Python 的PyMongo库。连接MongoDB
连接MongoDB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，第一个参数为地址host，
第二个参数为端口port，端口如果不传默认是27017。
"""<br>
import pymongo
client = pymongo.MongoClient(host='localhost', port=27017)<br>
"""
这样我们就可以创建一个MongoDB的连接对象了。另外MongoClient的第一个参数host还可以直接传MongoDB的连接字符串，以mongodb开头，
例如：client = MongoClient('mongodb://localhost:27017/')可以达到同样的连接效果。<br>
"""
# 指定数据库MongoDB中还分为一个个数据库，我们接下来的一步就是指定要操作哪个数据库，在这里我以test数据库为例进行说明，所以下一步我们
需要在程序中指定要使用的数据库。
db = client.test # 调用client的test属性即可返回test数据库，当然也可以这样来指定： # db = client['test'] # 两种方式是等价的。# 指定集合
MongoDB的每个数据库又包含了许多集合Collection，也就类似与关系型数据库中的表，下一步我们需要指定要操作的集合，
在这里我们指定一个集合名称为students，学生集合。还是和指定数据库类似，指定集合也有两种方式。
collection = db.students # collection = db['students'] # 插入数据,接下来我们便可以进行数据插入了，对于students这个Collection，我们新建一条学生数据，以字典的形式表示： student = { 'id': '20170101', 'name': 'Jordan', 'age': 20, 'gender': 'male' } # 在这里我们指定了学生的学号、姓名、年龄和性别，然后接下来直接调用collection的insert()方法即可插入数据。 result = collection.insert(student) 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_id，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的_id值。# 运行结果：
5932a68615c2606814c91f3d
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)
# 返回的结果是对应的_id的集合，运行结果：[ObjectId('5932a80115c2606a59e8a048'), ObjectId('5932a80115c2606a59e8a049')]
实际上在PyMongo 3.X版本中，insert()方法官方已经不推荐使用了，当然继续使用也没有什么问题，
官方推荐使用insert_one()和insert_many()方法将插入单条和多条记录分开。
student = { 'id': '20170101', 'name': 'Jordan', 'age': 20, 'gender': 'male' }result = collection.insert_one(student)
print(result)
print(result.inserted_id)
# 运行结果：<pymongo.results.InsertOneResult object at 0x10d68b558>
5932ab0f15c2606f0c1cf6c5
返回结果和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。
# 对于insert_many()方法，我们可以将数据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_many([student1, student2])
print(result)
print(result.inserted_ids)
# insert_many()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，运行结果：# <pymongo.results.InsertManyResult object at 0x101dea558>
[ObjectId('5932abf415c2607083d3b2ac'), ObjectId('5932abf415c2607083d3b2ad')]
查询，插入数据后我们可以利用find_one()或find()方法进行查询，find_one()查询得到是单个结果，find()则返回多个结果。
result = collection.find_one({'name': 'Mike'}) print(type(result)) print(result) # 在这里我们查询name为Mike的数据，它的返回结果是字典类型，运行结果： # <class'dict'> # {'_id': ObjectId('5932a80115c2606a59e8a049'), 'id': '20170202', 'name': 'Mike', 'age': 21, 'gender': 'male'} # 可以发现它多了一个_id属性，这就是MongoDB在插入的过程中自动添加的。# 我们也可以直接根据ObjectId来查询，这里需要使用bson库里面的ObjectId。
from bson.objectid import ObjectId
result = collection.find_one({'_id': ObjectId('593278c115c2602667ec6bae')})
print(result)
# 其查询结果依然是字典类型，运行结果：# {' ObjectId('593278c115c2602667ec6bae'), 'id': '20170101', 'name': 'Jordan', 'age': 20, 'gender': 'male'}
当然如果查询_id':结果不存在则会返回None。
# 对于多条数据的查询，我们可以使用find()方法，例如在这里查找年龄为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：# <pymongo.cursor.Cursor object at 0x1032d5128>
{'_id': ObjectId('593278c115c2602667ec6bae'), 'id': '20170101', 'name': 'Jordan', 'age': 20, 'gender': 'male'}
{'_id': ObjectId('593278c815c2602678bb2b8d'), 'id': '20170102', 'name': 'Kevin', 'age': 20, 'gender': 'male'}
{'_id': ObjectId('593278d815c260269d7645a8'), 'id': '20170103', 'name': 'Harden', 'age': 20, 'gender': 'male'}
返回结果是Cursor类型，相当于一个生成器，我们需要遍历取到所有的结果，每一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}})
# 在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，这样便可以查询出所有年龄大于20的数据。
# 在这里将比较符号归纳如下表：
"""
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]}}
"""
# 另外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': {'$regex': '^M.'}})
# 在这里使用了$regex来指定正则匹配，^M.代表以M开头的正则表达式，这样就可以查询所有符合该正则的结果。# 在这里将一些功能符号再归类如下：
"""
符号含义示例示例含义
$regex匹配正则{'name': {'$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在可以在MongoDB官方文档找到：https://docs.mongodb.com/manual/reference/operator/query/
# 计数
要统计查询结果有多少条数据，可以调用count()方法，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) # 排序 # 可以调用sort方法，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：# ['Harden', 'Jordan', 'Kevin', 'Mark', 'Mike']
偏移,可能想只取某几个元素，在这里可以利用skip()方法偏移几个位置，比如偏移2，就忽略前2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： # ['Kevin', 'Mark', 'Mike'] # 另外还可以用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： # ['Kevin', 'Mark'] # 如果不加limit()原本会返回三个结果，加了限制之后，会截取2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，很可能会导致内存溢出，
可以使用类似find({'_id': {'$gt': ObjectId('593278c815c2602678bb2b8d')}}) 这样的方法来查询，记录好上次查询的_id。
# 更新
对于数据更新可以使用update()方法，指定更新的条件和更新后的数据即可，例如：
condition = {'name': 'Kevin'} student = collection.find_one(condition) student['age'] = 25 result = collection.update(condition, student) print(result) # 在这里我们将name为Kevin的数据的年龄进行更新，首先指定查询条件，然后将数据查询出来，修改年龄， # 之后调用update方法将原条件和修改后的数据传入，即可完成数据的更新。# 运行结果：
# {'ok': 1, 'nModified': 1, 'n': 1, 'updatedExisting': True}
返回结果是字典形式，ok即代表执行成功，nModified代表影响的数据条数。
# 另外update()方法其实也是官方不推荐使用的方法，在这里也分了update_one()方法和update_many()方法，用法更加严格，
第二个参数需要使用$类型操作符作为字典的键名，我们用示例感受一下。
condition = {'name': 'Kevin'} student = collection.find_one(condition) student['age'] = 26 result = collection.update_one(condition, {'$set': student}) print(result) print(result.matched_count, result.modified_count) # 在这里调用了update_one方法，第二个参数不能再直接传入修改后的字典，而是需要使用{'$set': student}这样的形式， # 其返回结果是UpdateResult类型，然后调用matched_count和modified_count属性分别可以获得匹配的数据条数和影响的数据条数。# 运行结果：
<pymongo.results.UpdateResult object at 0x10d17b678>
1 0
我们再看一个例子：
condition = {'age': {'$gt': 20}} result = collection.update_one(condition, {'$inc': {'age': 1}}) print(result) print(result.matched_count, result.modified_count) # 在这里我们指定查询条件为年龄大于20，然后更新条件为{'$inc': {'age': 1}}，执行之后会讲第一条符合条件的数据年龄加1。# 运行结果：
<pymongo.results.UpdateResult object at 0x10b8874c8>
1 1
可以看到匹配条数为1条，影响条数也为1条。
# 如果调用update_many()方法，则会将所有符合条件的数据都更新，示例如下：
condition = {'age': {'$gt': 20}}
result = collection.update_many(condition, {'$inc': {'age': 1}})
print(result)
print(result.matched_count, result.modified_count)
# 这时候匹配条数就不再为1条了，运行结果如下：<pymongo.results.UpdateResult object at 0x10c6384c8>
3 3
可以看到这时所有匹配到的数据都会被更新。
# 删除
删除操作比较简单，直接调用remove()方法指定删除的条件即可，符合条件的所有数据均会被删除，示例如下：
result = collection.remove({'name': 'Kevin'}) print(result) # 运行结果： # # {'ok': 1, 'n': 1} # 另外依然存在两个新的推荐方法，delete_one()和delete_many()方法，示例如下： result = collection.delete_one({'name': 'Kevin'}) print(result) print(result.deleted_count) result = collection.delete_many({'age': {'$lt': 25}}) print(result.deleted_count) # 运行结果：# <pymongo.results.DeleteResult object at 0x10e6ba4c8>
1
4
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，返回结果是DeleteResult类型，
可以调用deleted_count属性获取删除的数据条数。
# 更多
另外PyMongo还提供了一些组合方法，如find_one_and_delete()、find_one_and_replace()、find_one_and_update()，
就是查找后删除、替换、更新操作，用法与上述方法基本一致。
# 另外还可以对索引进行操作，如create_index()、create_indexes()、drop_index()等。
# 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、集合本身以及其他的一些操作，在这不再一一讲解，可以参见
官方文档：http://api.mongodb.com/python/current/api/pymongo/
