MongoDB文档存储

NoSQL，全称为 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，一条数据可能存在因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这些数据，一是需要提前建表，二是如果数据存在嵌套关系，还需要进行序列化操作才可以存储，这非常不方便。如果使用非关系型数据库，就可以避免这些麻烦，更简单、高效。

本节中，我们主要介绍 MongoDB 存储操作。

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，其内容的存储形式类似 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。本节我们就来看看 Python3 下 MongoDB 的存储操作。

准备工作

在开始之前，请确保已经安装好了 MongoDB 并启动了其服务，安装方式可以参考： https://setup.scrape.center/mongodb 。

除了安装好 MongoDB 数据库，我们还需要安装好 Python 的 PyMongo 库，如尚未安装，可以使用 pip3 来安装：

pip3 install pymongo

更详细的安装说明可以参考： https://setup.scrape.center/pymongo 。

安装好 MongoDB 数据库和 PyMongo 库之后，我们便可以开始本节的学习了。

连接 MongoDB

连接 MongoDB 时，需要使用 PyMongo 库里面的 MongoClient 方法，一般而言，传入 MongoDB 的 IP 及端口即可。MongoClient 方法的第一个参数为地址 host，第二个参数为端口 port（如果不传入此参数，默认取值为 27017）：

import pymongo
client = pymongo.MongoClient(host='localhost', port=27017）

这样就可以创建 MongoDB 的连接对象了。

另外，还可以直接给 MongoClient 的第一个参数 host 传入 MongoDB 的连接字符串，它以 mongodb 开头，例如：

client = MongoClient('mongodb://localhost:27017/')

这可以达到同样的连接效果。

指定数据库

在 MongoDB 中，可以建立多个数据库，所以我们需要指定操作哪个数据库。这里我们以指定 test 数据库为例来说明：

db = client.test

这里调用 client 的 test 属性即可返回 test 数据库。当然，也可以这样指定：

db = client['test']

这两种方式是等价的。

指定集合

MongoDB 的每个数据库又都包含许多集合（collection），这些集合类似于关系型数据库中的表。

下一步需要指定要操作哪些集合，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

或

collection = db['students']

这样我们便声明了一个集合对象。

插入数据

接下来，便可以插入数据了。在 students 这个集合中，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。然后直接调用 collection 类的 insert 方法即可插入数据，代码如下：

result = collection.insert(student)
print(result)

在 MongoDB 中，每条数据都有一个 _id 属性作为唯一标识。如果没有显式指明该属性，那么 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： 5932a68615c2606814c91f30

当然，也可以同时插人多条数据，只需要以列表形式传递即可，实例如下：

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：

[0bjectId(‘5932a80115c2606a59e8a048'), ObjectId(5932a80115c2606a59e8a049)]

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，继续使用也没什么问题。官方推荐使用的是 insert_one 和 insert_many 方法，分别用来插入单条记录和多条记录，实例代码如下：

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 0x10d68b558>
5932ab0f15c2606f0c1cf6c5

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。

对于 insert_many 方法，我们可以将数据以列表形式传递，实例代码如下：

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)

运行结果如下:

<pymongo.results.InsertManyResult object at 0x101dea558>
[ObjectId('5932abf415c2607083d3b2ac'), ObjectId('5932abf415c2607083d3b2ad')]

该方法返回的是 InsertManyResult 类型的对象，调用 inserted_ids 属性可以获取插入数据的 _id 列表。

查询

插入数据后，我们可以利用 find_one 或 find 方法进行查询，用前者查询得到的是单个结果，后者则会返回一个生成器对象。实例代码如下：

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

这里我们查询 name 值为 Mike 的数据，运行结果如下：

<class 'dict'> ("_id': 0bjectId("5932a80115c2606a59e8a049'),'id': '20170202','name': 'Mike', age':21, 'gender': "male')

可以发现，结果是字典类型，它多了 _id 属性，这就是 MongoDB 在插入数据过程中自动添加的。

此外，我们也可以根据 ObjectId 来查询数据，此时需要使用 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，具体如下：

{'_id': 0bjectId("593278c115c2602667ec6bae'), "id': '20170101',name': 'Jordan', 'age': 20, gender': 'male'}

当然，如果查询结果不存在，则会返回 None。

若要查询多条数据，可以使用 find 方法。例如，查找 age 为 20 的数据，实例代码如下：

results = collection.find({'age': 20})
print(results)
for result in results:
    print(result)

运行结果如下:

<pymongo.cursor.Cursor object at 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('593278dd15c260269d7645a8'), 'id': '20170103', 'name': 'Harden', 'age': 20, 'gender': 'male'}

返回结果是 Cursor 类型，相当于一个生成器，通过遍历能够获取所有的结果，其中每个结果都是字典类型。

如果要查询 age 大于 20 的数据，则写法如下：

results = collection.find({'age': {'sgt': 20})

这里查询条件中的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。

这里将比较符号归纳为表4-3。

Table 1. 表 4-3 比较符号
符号	含义	实例
$lt	小于	`{'age': {'$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，执行以下代码查询 name 以 M 为开头的学生数据：

results = collection.find({'name': {'sregex': '^M.*'}})

这里使用 $regex 来指定正则匹配，^M.* 代表以 M 为开头的正则表达式。

下面将一些功能符号归类为表4-4。

Table 2. 表 4-4 功能符号
符号	含义	实例	实例含义
$regex	匹配正则表达式	`{'name': {'$regex': '^M.*'}}`	name 以 M 开头
$exists	属性是否存在	`{'name': {'$exists': True}}`	存在 name 属性
$type	类型判断	`{'age': {'$type': 'int'}}`	age 的类型为 int
$mod	数字模操作	`{'age': {'$mod': [5, 0]}}`	age 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

计数

要统计查询结果包含多少条数据，可以调用 count 方法。例如统计所有数据条数，代码如下：

count = collection.find().count()
print(count)

统计符合某个条件的数据有多少条，代码如下：

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

排序时，直接调用 sort 方法，并传入排序的字段及升降序标志即可。实例代码如下：

results = collection.find().sort('name', pymongo.ASCENDING)
print([result['name'] for result in results])

运行结果如下：

['Harden', 'Jordan', 'Kevin', 'Mark', 'Mike']

这里我们调用 pymongo.ASCENDING 指定按升序排序。如果要降序排，可以传入 pymongo.DESCENDING。

偏移

在某些情况下，我们可能只想取某几个元素，这时可以利用 skip 方法偏移几个位置，例如偏移 2，即忽略前两个元素，获取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])

运行结果如下：

['Kevin'，'Mark'，Mike']

另外，还可以使用 limit 方法指定要获取的结果个数，实例代码如下：

results = collection.find().sort('name', Pymongo.ASCENDING).skip(2).limit(2)
print([result['name'] for result in results])

运行结果如下：

['Kevin','Mark']

如果不使用 limit 方法加以限制，原本会返回三个结果，而加了限制后，会截取两个结果并返回。

值得注意的是，在数据库中数据量非常庞大的时候（例如千万、亿级别），最好不要使用大偏移量来查询数据，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('593278c815c2602678bb2b8d')}})

这里需要记录好上次查询的 id。

更新

对于数据更新，我们可以使用 update 方法，在其中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)

这里我们更新的是 name 值为 Kevin 的学生数据的 age: 首先指定查询条件，然后将数据查询出来，修改其 age 后调用 update 方法将原条件和修改后的数据传入。

运行结果如下：

{ 'ok': 1, 'nModified': 1, 'n': 1, 'updatedExisting': True }

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。

另外，我们可以使用 $set 操作符实现数据更新，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，则既不会更新，也不会删除。而如果不用 $set，就会把之前的数据全部用 student 字典替换；要是原本存在其他字段，会被删除。

另外，update 其实也是官方不推荐使用的方法。官方推荐使用单独的 update_one 方法和 update_many 方法来处理单条和多条数据更新过程，它们用法更加严格，第二个参数都需要使用$类型操作符作为学典的键名，实例代码如下：

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)

这里调用的是 update_one 方法，其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 } 这种形式的数据。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：

可以发现 update_one 方法的返回结果是 UpdateResult 类型。我们再看个例子：

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 age 大于 20，然后更新条件是 {'$inc: {'age':1 }}，也就是对 age 加 1，因此执行 update_one 方法之后，会对第一条符合查询条件的学生数据的 age 加 1。

运行结果如下:

<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。

但如果调用 update_many 方法，则会更新所有符合条件的数据，实列代码如下:

condition = {'age': {'$gt': 20}}
result = collection.update_many(condition, {'$inc': {'age': 1}})
print(result)
print(result.matched_count, result.modified_count)

运行结果如下:

<pymongo.results.UpdateResult object at 0x10c6384c8>
3 3

可以看到，这时匹配条数就不再为 1 条了，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 方法并指定删除条件即可，之后符合条件的所有数据均会被删除。实列代码如下:

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

运行结果如下:

{'ok': 1, 'n': 1}

另外，这里依然有两个新的官方推荐方法—— delete_one 和 delete_many。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。实列代码如下:

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

运行结果如下:

<pymongo.results.DeleteResult object at 0x10e6ba4c8>
1
4

两个方法的返回结果都是 DeleteResult 类型，可以调用 deleted_count 属性获取删除的数据条数。

其他操作

除了以上操作，PyMongo 还提供了一些组合方法，例如 find_one_and_delete、find_one_and_replace 和 find_one_and_update，分别是查找后删除、替换和更新操作，用法与上述方法基本一致。

另外，还可以对索引进行操作，相关方法有 create_index、create_indexes 和 drop_index 等。

总结

本节讲解了使用 PyMongo 操作 MongoDB 进行数据增删改查的方法，后面我们会在实战案例中应用这些操作完成数据存储。

本节代码参见: https://github.com/Python3WebSpider/MongoDBTest