Python3网络爬虫实战---3三、数据存储：非关系型数据库存储:MongoDB

上一篇文章： Python3网络爬虫实战---3二、数据存储：关系型数据库存储:MySQL
下一篇文章： Python3网络爬虫实战---3四、数据存储：非关系型数据库存储:Redis

NoSQL，全称 Not Only SQL，意为不只仅是 SQL，泛指非关系型的数据库。NoSQL 是基于键值对的，并且不须要通过 SQL 层的解析，数据之间没有耦合性，性能很是高。

非关系型数据库又能够细分以下：

• 键值存储数据库，表明有 Redis, Voldemort, Oracle BDB 等。
• 列存储数据库，表明有 Cassandra, HBase, Riak 等。
• 文档型数据库，表明有 CouchDB, MongoDB 等。
• 图形数据库，表明有 Neo4J, InfoGrid, Infinite Graph等。

对于爬虫的数据存储来讲，一条数据可能存在某些字段提取失败而缺失的状况，并且数据可能随时调整，另外数据之间能还存在嵌套关系。若是咱们使用了关系型数据库存储，一是须要提早建表，二是若是存在数据嵌套关系的话须要进行序列化操做才能够存储，比较不方便。若是用了非关系数据库就能够避免一些麻烦，简单高效。

本节咱们主要介绍一下 MongoDB 和 Redis 的数据存储操做。

MongoDB存储

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，其内容存储形式相似 Json 对象，它的字段值能够包含其余文档，数组及文档数组，很是灵活，在这一节咱们来看一下 Python3 下 MongoDB 的存储操做。

1. 准备工做

在本节开始以前请确保已经安装好了 MongoDB 并启动了其服务，另外安装好了 Python 的 PyMongo库，如没有安装能够参考第一章的安装过程。

2. 链接MongoDB

链接 MongoDB 咱们须要使用 PyMongo 库里面的 MongoClient，通常来讲传入 MongoDB 的 IP 及端口便可，第一个参数为地址 host，第二个参数为端口 port，端口若是不传默认是 27017。

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

这样咱们就能够建立一个 MongoDB 的链接对象了。

另外 MongoClient 的第一个参数 host 还能够直接传MongoDB 的链接字符串，以 mongodb 开头，例如：

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

能够达到一样的链接效果。

3. 指定数据库

MongoDB 中还分为一个个数据库，咱们接下来的一步就是指定要操做哪一个数据库，在这里我以 test 数据库为例进行说明，因此下一步咱们须要在程序中指定要使用的数据库。

db = client.test

调用 client 的 test 属性便可返回 test 数据库，固然也能够这样来指定：

db = client['test']

两种方式是等价的。

4. 指定集合

MongoDB 的每一个数据库又包含了许多集合 Collection，也就相似与关系型数据库中的表，下一步咱们须要指定要操做的集合，在这里咱们指定一个集合名称为 students，学生集合，仍是和指定数据库相似，指定集合也有两种方式：

collection = db.students

collection = db['students']

这样咱们便声明了一个 Collection 对象。

5. 插入数据

接下来咱们即可以进行数据插入了，对于 students 这个Collection，咱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'
}

在这里咱们指定了学生的学号、姓名、年龄和性别，而后接下来直接调用 collection 的 insert() 方法便可插入数据，代码以下：

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

在 MongoDB 中，每条数据其实都有一个 _id 属性来惟一标识，若是没有显式指明 _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

固然咱们也能够同时插入多条数据，只须要以列表形式传递便可，示例以下：

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，固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() 方法不一样，此次返回的是InsertOneResult 对象，咱们能够调用其 inserted_id 属性获取 _id。

对于 insert_many() 方法，咱们能够将数据以列表形式传递便可，示例以下：

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 属性能够获取插入数据的 _id 列表，运行结果：

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

6. 查询

插入数据后咱们能够利用 find_one() 或 find() 方法进行查询，find_one() 查询获得是单个结果，find() 则返回一个生成器对象。

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

在这里咱们查询 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'}

能够发现它多了一个 _id 属性，这就是 MongoDB 在插入的过程当中自动添加的。

咱们也能够直接根据 ObjectId 来查询，这里须要使用 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：

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

固然若是查询结果不存在则会返回 None。

对于多条数据的查询，咱们可使用 find() 方法，例如在这里查找年龄为 20 的数据，示例以下：

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，至关于一个生成器，咱们须要遍历取到全部的结果，每个结果都是字典类型。

若是要查询年龄大于 20 的数据，则写法以下：

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，这样即可以查询出全部年龄大于 20 的数据。

在这里将比较符号概括以下表：

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]}}

另外还能够进行正则匹配查询，例如查询名字以 M 开头的学生数据，示例以下：

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

在这里使用了 $regex 来指定正则匹配，^M.* 表明以 M 开头的正则表达式，这样就能够查询全部符合该正则的结果。

在这里将一些功能符号再归类以下：

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
$mod	数字模操做	{'age': {'$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

这些操做的更详细用法在能够在 MongoDB 官方文档找到： https://docs.mongodb.com/manu...。

7. 计数

要统计查询结果有多少条数据，能够调用 count() 方法，如统计全部数据条数：

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)

结果是一个数值，即符合条件的数据条数。

8. 排序

能够调用 sort() 方法，传入排序的字段及升降序标志便可，示例以下：

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

运行结果：

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

在这里咱们调用了 pymongo.ASCENDING 指定升序，若是要降序排列能够传入 pymongo.DESCENDING。

9. 偏移

在某些状况下咱们可能想只取某几个元素，在这里能够利用skip() 方法偏移几个位置，好比偏移 2，就忽略前 2 个元素，获得第三个及之后的元素。

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

运行结果：

['Kevin', 'Mark', 'Mike']

另外还能够用 limit() 方法指定要取的结果个数，示例以下：

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

运行结果：

['Kevin', 'Mark']

若是不加 limit() 本来会返回三个结果，加了限制以后，会截取 2 个结果返回。

值得注意的是，在数据库数量很是庞大的时候，如千万、亿级别，最好不要使用大的偏移量来查询数据，极可能会致使内存溢出，可使用相似以下操做来进行查询：

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

这时记录好上次查询的 _id。

10. 更新

对于数据更新可使用 update() 方法，指定更新的条件和更新后的数据便可，例如：

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

在这里咱们将 name 为 Kevin 的数据的年龄进行更新，首先指定查询条件，而后将数据查询出来，修改年龄，以后调用 update() 方法将原条件和修改后的数据传入，便可完成数据的更新。

运行结果：

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

返回结果是字典形式，ok 即表明执行成功，nModified 表明影响的数据条数。

另外咱们也可使用 $set 操做符对数据进行更新，代码改写以下：

result = collection.update(condition, {'$set': student})

这样能够只更新 student 字典内存在的字段，若是其原先还有其余字段则不会更新，也不会删除。而若是不用 $set 的话则会把以前的数据所有用 student 字典替换，若是本来存在其余的字段则会被删除。

另外 update() 方法其实也是官方不推荐使用的方法，在这里也分了 update_one() 方法和 update_many() 方法，用法更加严格，第二个参数须要使用 $ 类型操做符做为字典的键名，咱们用示例感觉一下。

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，而是须要使用 {'$set': student} 这样的形式，其返回结果是 UpdateResult 类型，而后调用 matched_count 和 modified_count 属性分别能够得到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

咱们再看一个例子：

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

在这里咱们指定查询条件为年龄大于 20，而后更新条件为 {'$inc': {'age': 1}}，也就是年龄加 1，执行以后会将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

能够看到匹配条数为 1 条，影响条数也为 1 条。

若是调用 update_many() 方法，则会将全部符合条件的数据都更新，示例以下：

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

这时候匹配条数就再也不为 1 条了，运行结果以下：

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

能够看到这时全部匹配到的数据都会被更新。

11. 删除

删除操做比较简单，直接调用 remove() 方法指定删除的条件便可，符合条件的全部数据均会被删除，示例以下：

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，示例以下：

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() 即删除全部符合条件的数据，返回结果是 DeleteResult 类型，能够调用 deleted_count 属性获取删除的数据条数。

12. 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、更新操做，用法与上述方法基本一致。

另外还能够对索引进行操做，如 create_index()、create_indexes()、drop_index() 等。

详细用法能够参见官方文档：http://api.mongodb.com/python...。

另外还有对数据库、集合自己以及其余的一些操做，在这再也不一一讲解，能够参见官方文档：http://api.mongodb.com/python...。

13. 结语

本节讲解了 PyMongo 操做 MongoDB 进行数据增删改查的方法，在后文咱们会在实战案例中应用这些操做进行数据存储。

上一篇文章： Python3网络爬虫实战---3二、数据存储：关系型数据库存储:MySQL
下一篇文章： Python3网络爬虫实战---3四、数据存储：非关系型数据库存储:Redis