Python3网络爬虫实战-33数据存储：非关系型数据库存储:MongoDB

Posted 2022-06-14

NoSQL，全称 Not Only SQL，意为不仅仅是 SQL，泛指非关系型的数据库。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以细分如下：

• 键值存储数据库，代表有 Redis, Voldemort, Oracle BDB 等。
• 列存储数据库，代表有 Cassandra, HBase, Riak 等。
• 文档型数据库，代表有 CouchDB, MongoDB 等。
• 图形数据库，代表有 Neo4J, InfoGrid, 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，另外数据之间能还存在嵌套关系。如果我们使用了关系型数据库存储，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，比较不方便。如果用了非关系数据库就可以避免一些麻烦，简单高效。

本节我们主要介绍一下 MongoDB 和 Redis 的数据存储操作。

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，在这一节我们来看一下 Python3 下 MongoDB 的存储操作。

1. 准备工作

在本节开始之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，如没有安装可以参考第一章的安装过程。

2. 连接MongoDB

连接 MongoDB 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，第一个参数为地址 host，第二个参数为端口 port，端口如果不传默认是 27017。

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

这样我们就可以创建一个 MongoDB 的连接对象了。

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

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

可以达到同样的连接效果。

3. 指定数据库

MongoDB 中还分为一个个数据库，我们接下来的一步就是指定要操作哪个数据库，在这里我以 test 数据库为例进行说明，所以下一步我们需要在程序中指定要使用的数据库。

db?= client.test

调用 client 的 test 属性即可返回 test 数据库，当然也可以这样来指定：

db?= client[‘test‘]

两种方式是等价的。

4. 指定集合

MongoDB 的每个数据库又包含了许多集合 Collection，也就类似与关系型数据库中的表，下一步我们需要指定要操作的集合，在这里我们指定一个集合名称为 students，学生集合，还是和指定数据库类似，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 Collection 对象。

5. 插入数据

接下来我们便可以进行数据插入了，对于 students 这个Collection，我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‘

Python资源分享qun 784758214 ,内有安装包，PDF，学习视频，这里是Python学习者的聚集地，零基础，进阶，都欢迎

在这里我们指定了学生的学号、姓名、年龄和性别，然后接下来直接调用 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 _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

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，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_many([student1, student2])
print(result)
print(result.inserted_ids)

insert_many() 方法返回的类型是 InsertManyResult，调用inserted_ids 属性可以获取插入数据的 _id 列表，运行结果：

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

6. 查询

插入数据后我们可以利用 find_one() 或 find() 方法进行查询，find_one() 查询得到是单个结果，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：

<class ‘dict‘>
‘_id‘: ObjectId(‘5932a80115c2606a59e8a049‘), ‘id‘: ‘20170202‘, ‘name‘: ‘Mike‘, ‘age‘: 21, ‘gender‘: ‘male‘

可以发现它多了一个 _id 属性，这就是 MongoDB 在插入的过程中自动添加的。

我们也可以直接根据 ObjectId 来查询，这里需要使用 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，运行结果：

‘_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，例如在这里查找年龄为 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：

<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‘
Python资源分享qun 784758214 ,内有安装包，PDF，学习视频，这里是Python学习者的聚集地，零基础，进阶，都欢迎

返回结果是 Cursor 类型，相当于一个生成器，我们需要遍历取到所有的结果，每一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)

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，这样便可以查询出所有年龄大于 20 的数据。

在这里将比较符号归纳如下表：

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.*‘)

在这里使用了 $regex 来指定正则匹配，^M.* 代表以 M 开头的正则表达式，这样就可以查询所有符合该正则的结果。

在这里将一些功能符号再归类如下：

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

这些操作的更详细用法在可以在 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，可以调用 count() 方法，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)

结果是一个数值，即符合条件的数据条数。

8. 排序

可以调用 sort() 方法，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：

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

在这里我们调用了 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，在这里可以利用skip() 方法偏移几个位置，比如偏移 2，就忽略前 2 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：

[‘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：

[‘Kevin‘, ‘Mark‘]

如果不加 limit() 原本会返回三个结果，加了限制之后，会截取 2 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，很可能会导致内存溢出，可以使用类似如下操作来进行查询：

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)
Python资源分享qun 784758214 ,内有安装包，PDF，学习视频，这里是Python学习者的聚集地，零基础，进阶，都欢迎

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

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，代码改写如下：

result?= collection.update(condition, ‘$set‘: student)

这样可以只更新 student 字典内存在的字段，如果其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，第二个参数需要使用 $ 类型操作符作为字典的键名，我们用示例感受一下。

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，而是需要使用 ‘$set‘: student 这样的形式，其返回结果是 UpdateResult 类型，然后调用 matched_count 和 modified_count 属性分别可以获得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

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)

在这里我们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：

<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。

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)

这时候匹配条数就不再为 1 条了，运行结果如下：

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

可以看到这时所有匹配到的数据都会被更新。

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，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：

‘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：

<pymongo.results.DeleteResult object at 0x10e6ba4c8>
1
4
Python资源分享qun 784758214 ,内有安装包，PDF，学习视频，这里是Python学习者的聚集地，零基础，进阶，都欢迎

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，返回结果是 DeleteResult 类型，可以调用 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、更新操作，用法与上述方法基本一致。

另外还可以对索引进行操作，如 create_index()、create_indexes()、drop_index() 等。

13. 结语

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