Python爬虫-数据存储学习笔记之MongoDB操作

1、MongoDB描述

MongoDB是一个基于分布式文件存储的NoSQL数据库，在处理海量数据的时候会比MySQL更有优势，爬虫如果上了一个量级，可能就会比较推荐使用MongoDB，当然没有上量的数据也完全可以使用MongoDB来存储数据，因此学会MongoDB也是爬虫工程师必须掌握的一个技能。
MongoDB官方文档：http://www.mongoing.com/docs/

1）文档

A）MongoDB是一个面向文档的数据库；
B）举例：{“foo”:3, “greeting”:“Hello,world!”}；
C）区分大小写，且key唯一，不可重复，文档可嵌套。

2）集合

集合就是一组文档，文档类似于关系型数据库里的行，集合类似于关系型数据库里的表，集合中的文档无需固定额结构（与关系型数据库的区别）。

3）集合的命名

A）不能有空字符串（" "）；
B）不能包含\0字符（空字符）；
C）不能使用system.的前缀（系统保留）；
D）建议不包含保留字 "$"；
E）用 . 分割不懂命名空间的子集合（如：blog.users， blog.posts）。

4）数据库

A）多个文档组成集合，多个集合组成数据库；
B）一个实例可以承载多个数据库；
C）每个数据库都有独立的权限；
D）保留的数据名称（admin，local，config）。

2、安装MongoDB

从官网下载mis安装包，安装在根目录下MongoDB文件夹里就OK，例如：D:\MongoDB\Server\4.2。

3、启动MongoDB

A）创建数据目录：在启动MongoDB之前，首先要给MongoDB指定一个数据存储的路径，比如在MongoDB的安装路径下创建一个data文件夹，专门用来存储数据：D:\MongoDB\Server\4.2\data；
B）添加环境变量：将MongoDB的bin目录添加到环境变量中，方便后期调用；
C）启动MongoDB：执行命令mongod --dbpath D:\MongoDB\Server\4.2\data启动。

4、连接MongoDB

A）使用CMD连接：在环境变量设置好的前提下，使用命令mongo就可以进入到MongoDB的操作终端了。
B）使用Compass连接：Compass是一个图形化操作MongoDB的客户端，使用Compass操作MongoDB会更加方便。
B）使用Navicat连接：Navicat是一个可以操作MySQL数据库非常方便的软件，使用Navicat操作数据库，就跟使用Excel操作数据是一样的。

5、将MongoDB制作成Windows服务

启动MongoDB后，如果想让MongoDB一直运行，那么这个终端便不能关闭，而且每次运行的时候还需要指定data目录，为了便于以后使用，可以将MongoDB制作成一个服务，以后通过一行命令就可以运行了。

A）创建配置文件：在MongoDB的安装路径下创建配置文件mongod.cfg（路径和名字可自行设置），然后在配置文件中添加如下代码：

logpath = D:\MongoDB\Server\4.2\data\logs\mongod.log
dbpath = D:\MongoDB\Server\4.2\data\db

说明：logpath是日志文件的路径，dbpath是MongoDB数据库的存储路径。

B）安装MongoDB服务：使用命令mongod --config "cfg配置文件所在路径" --install，比如mongod --config "D:\MongoDB\Server\4.2\mongod.cfg" --install。
C）启动MongoDB服务：net start mongodb。
D）关闭MongoDB服务：net stop mongodb。
E）移除MongoDB服务："D:\MongoDB\Server\4.2\bin\mongod.exe" --remove。

7、MongoDB介绍

SQL术语/概念	MongoDB术语/概念	解释/说明
database	database	SQL：数据库 MongoDB：数据库
table	collection	SQL：数据库表 MongoDB：集合
row	document	SQL：数据记录行 MongoDB：文档
column	field	SQL：数据字段 MongoDB：域
index	index	SQL：索引 MongoDB：索引
table	joins	SQL：表连接 MongoDB：不支持
primary key	primary key	SQL：主键 MongoDB：主键，自动将`_id`字段设置为主键

1）MongoDB三元素

A）数据库
B）集合（collection）：就是关系型数据库中的表，可以存储多个文档，结构可以不固定，可以存储如下文档在一个集合中：

  {"name": "aaa", "gender": "1"}
  {"name": "bbb", "age": 18}
  {"title": "ccc", "price": 20.9}

C）文档（document）：就是关系型数据库中的一行，文档是一个对象，由键值对构成，是json的扩展形式：{'name': 'aaa', 'gender': '1'}。

2）MongoDB操作命令

A）db：查看当前的数据库；
B）show dbs：查看所有的数据库；
C）use 数据库名：切换数据库，如果数据库不存在，则创建一个（创建完成后需要插入数据库才算创建成功）；
D）db.dropDatabase()：删除当前指向的数据库；
E）db.集合名.insert(value)：添加数据到指定的集合中；
F）db.集合名.find()：从指定的结合中查找数据。
注：更多命令请见http://www.runoob.com/mongodb/mongodb-tutorial.html

8、使用Python操作MongoDB

1）操作MongoDB需要使用的中间件：pymongo。
2）连接MongoDB并写入数据。

import pymongo

# 获取连接MongoDB的对象
conn = pymongo.MongoClient("127.0.0.1", port = 27017)

# 获取数据库（如果没有zhihu这个数据库，会自动创建）
db = conn.zhihu

# 获取数据库中的集合（也就是MySQL中的表）
collection = db.qa

# 写入数据
collection.insert_one({"name": "Kevin", "age": 20, "job": "PM"})

MongoDB的数据类型：

类型	说明
Object ID	文档ID
String	字符串，最常用，必须是有效的UTF-8
Boolean	存储一个布尔值，true或false
Integer	整数可以是32位或64位，这取决于服务器
Double	存储浮点值
Arrays	数组或列表，多个值存储到一个键
Object	用于嵌入式的文档，即一个值为一个文档
Null	存储Null值
Timestamp	时间戳，表示从1970-01-01到现在的总秒数
Date	存储当前日期或时间的UNIX时间格式

3）新增数据（Insert）
A）新增一条数据insert_one/insert，示例代码如下：

import pymongo

# 获取连接MongoDB的对象
conn = pymongo.MongoClient("127.0.0.1", port = 27017)

# 获取数据库（如果没有zhihu这个数据库，会自动创建）
db = conn.zhihu

# 获取数据库中的集合（也就是MySQL中的表）
collection = db.qa

# 新增数据
person = {
    "name": 'Jhon',
    "age": 21,
    "job": "IT"
}
# 插入数据到数据库
collection.insert_one(person)

B）新增多条数据insert_many，示例代码如下：

import pymongo

# 获取连接MongoDB的对象
conn = pymongo.MongoClient("127.0.0.1", port = 27017)

# 获取数据库（如果没有zhihu这个数据库，会自动创建）
db = conn.zhihu

# 获取数据库中的集合（也就是MySQL中的表）
collection = db.qa

# 新增数据
person = [{
    "name": 'Jacky',
    "age": 21,
    "job": "IT"
},
{
    "name": 'Jose',
    "age": 24,
    "job": "HR"
}]
# 插入数据到数据库
collection.insert_many(person)

4）查询数据（Find）
A）查询集合中所有数据find，示例代码如下：

import pymongo

# 获取连接MongoDB的对象
conn = pymongo.MongoClient("127.0.0.1", port = 27017)

# 获取数据库（如果没有zhihu这个数据库，会自动创建）
db = conn.zhihu

# 获取数据库中的集合（也就是MySQL中的表）
collection = db.qa

cursor = collection.find()
for data in cursor:
    print(data)

运行结果：

{'_id': ObjectId('5e951d2d8841ab7f4f0dece0'), 'name': 'Kevin', 'age': 20, 'job': 'PM'}
{'_id': ObjectId('5e9533e97872f736c34c6ddb'), 'name': 'Jhon', 'age': 21, 'job': 'IT'}
{'_id': ObjectId('5e9534b8d1981fd527e13f83'), 'name': 'Jacky', 'age': 21, 'job': 'IT'}
{'_id': ObjectId('5e9534b8d1981fd527e13f84'), 'name': 'Jose', 'age': 24, 'job': 'HR'}

B）查询集合中的一条数据find_one，示例代码如下：

import pymongo

# 获取连接MongoDB的对象
conn = pymongo.MongoClient("127.0.0.1", port = 27017)

# 获取数据库（如果没有zhihu这个数据库，会自动创建）
db = conn.zhihu

# 获取数据库中的集合（也就是MySQL中的表）
collection = db.qa

data = collection.find_one({"age" : 20})
print(data)