一步一步学爬虫（4）数据存储之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：其代表有 Redis、Voldemort 和 Oracle BDB 等。
• 列存储数据库：其代表有 Cassandra、HBase 和 Riak 等。
• 文档型数据库：其代表有 CouchDB 和 MongoDB 等。
• 图形数据库：其代表有 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 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。

4.5.1. 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，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。

4.5.2. 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)

  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：
  client = MongoClient('mongodb://localhost:27017/')
  这也可以达到同样的连接效果。

4.5.3. 指定数据库

  在 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
  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。

4.5.4. 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：

collection = db.students
collection = db['students']

  这样我们便声明了一个集合对象。

4.5.5. 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：

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)
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：

  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：

[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：

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：

<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。

4.5.6. 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：

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：

<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：

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': 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：

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('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：

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：

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下表。

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	{‘KaTeX parse error: Expected '}', got 'EOF' at end of input: 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： https://docs.mongodb.com/manual/reference/operator/query/。

4.5.7. 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：

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。

4.5.8. 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：

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 指定升序。如果要降序排列，可以传入 pymongo.DESCENDING。

4.5.9. 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：

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])

  运行结果如下：

['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：

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

  这时需要记录好上次查询的 _id。

4.5.10. 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：

condition = {'name': 'Kevin'}
student = collection.find_one(condition)
student['age'] = 25
result = collection.update(condition, student)
print(result)

  这里我们要更新 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，我们也可以使用 $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。

  另外，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)

  这里调用了 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，获得匹配的数据条数和影响的数据条数。

  运行结果如下：

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)

  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：

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：

3 3
  可以看到，这时所有匹配到的数据都会被更新。

4.5.11. 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。示例如下：

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

  运行结果如下：

{'ok': 1, 'n': 1}
  另外，这里依然存在两个新的推荐方法 —— delete_one 和 delete_many。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)

  运行结果如下：

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。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。

4.5.12. 其他操作

  另外，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。

  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。

  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/。

4.5.13. 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进行数据存储。

  本节代码：https://github.com/Python3WebSpider/MongoDBTest。