专栏名称: 崔庆才丨静觅
工程师
目录
相关文章推荐
哎咆科技  ·  苹果手机如何下载使用 DeepSeek ... ·  3 小时前  
ZOL中关村在线  ·  三个月使用体验，MacBook到底哪里好？ ·  6 小时前  
EETOP  ·  远高预期，台积电拟大幅涨价！ ·  昨天  
EETOP  ·  一种解决SoC总线功能验证完备性的技术 ·  2 天前  
哎咆科技  ·  王阳明：修炼自己（深度好文） ·  3 天前  
51好读  ›  专栏  ›  崔庆才丨静觅

【Python3网络爬虫开发实战】5-数据存储-3-非关系型数据库存储-1 MongoDB存储

崔庆才丨静觅  · 掘金  ·  · 2018-03-26 09:28

正文

【Python3网络爬虫开发实战】5-数据存储-3-非关系型数据库存储-1 MongoDB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。

本节中，我们主要介绍MongoDB和Redis的数据存储操作。

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

在开始之前，请确保已经安装好了MongoDB并启动了其服务，并且安装好了Python的PyMongo库。如果没有安装，可以参考第1章。

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）：

1
2
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， 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：

1
client = MongoClient('mongodb://localhost:27017/')

这也可以达到同样的连接效果。

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：

1
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：

1
db = client['test']

这两种方式是等价的。

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：

1
collection = db.students

1
collection = db['students']

这样我们便声明了一个 Collection 对象。

5. 插入数据

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： 

123456student = {    '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)
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：

1
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)

返回结果是对应的 _id 的集合：

1
[ObjectId('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，示例如下： 

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：

1
2
<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，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)

运行结果如下：

1
2
<pymongo.results.InsertManyResult object at 0x101dea558>
[ObjectId('5932abf415c2607083d3b2ac'), ObjectId('5932abf415c2607083d3b2ad')]

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。

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。示例如下：

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

这里我们查询 name 为 Mike 的数据，它的返回结果是字典类型，运行结果如下：

1
2
<class 'dict'>
{'_id': ObjectId('5932a80115c2606a59e8a049'), 'id': '20170202', 'name': 'Mike', 'age': 21, 'gender': 'male'}

可以发现，它多了 _id 属性，这就是MongoDB在插入过程中自动添加的。

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

1
2
3
4
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：

1
{'_id': ObjectId('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 。

对于多条数据的查询，我们可以使用 find() 方法。例如，这里查找年龄为20的数据，示例如下：

1
2
3
4
results = collection.find({'age': 20})
print(results)
for result in results:
print(result)

运行结果如下： 


1234<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，它相当于一个生成器，我们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：

1
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。

这里将比较符号归纳为表5-3。

表5-3 比较符号

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：

1
results = collection.find({'name': {'$regex': '^M.*'}})

这里使用 $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

关于这些操作的更详细用法，可以在MongoDB官方文档找到： docs.mongodb.com/manual/refe… 。

7. 计数

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：

1
2
count = collection.find().count()
print(count)

或者统计符合某个条件的数据：

1
2
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。

8. 排序

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：

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

运行结果如下：

1
['Harden', 'Jordan', 'Kevin', 'Mark', 'Mike']

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

9. 偏移

在某些情况下，我们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：

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

运行结果如下：

1
['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：

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

运行结果如下：

1
['Kevin', 'Mark']

如果不使用 limit() 方法，原本会返回三个结果，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：

1
2
from bson.objectid import ObjectId
collection.find({'_id': {'$gt': ObjectId('593278c815c2602678bb2b8d')}})

这时需要记录好上次查询的 _id 。

10. 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。例如：







请到「今天看啥」查看全文


推荐文章
哎咆科技  ·  苹果手机如何下载使用 DeepSeek RI满血版！支持语音
3 小时前
ZOL中关村在线  ·  三个月使用体验，MacBook到底哪里好？
6 小时前
EETOP  ·  远高预期，台积电拟大幅涨价！
昨天
EETOP  ·  一种解决SoC总线功能验证完备性的技术
2 天前
哎咆科技  ·  王阳明：修炼自己（深度好文）
3 天前
画廊  ·  从穷小子到身价过亿，这位老爷子拼了一辈子！
8 年前
中欧商业评论  ·  你们成天挂在嘴边的“资源整合”，很可能是个伪命题
7 年前
鲁中晨报  ·  10秒钟申请，1分钟评估，3小时放款？晨报记者揭手机贷款内幕
7 年前
电脑报  ·  真相了！为何Intel突然取消了IDF开发者峰会？
7 年前
汽车最前线  ·  谁最值得买？全新H6、荣威RX5、博越大PK！
7 年前
Sov5搜索   ·   小百科   ·   今天看啥   ·   移动版
51好读 - 好文章就要读起来!