一文带你搞懂爬虫储存数据库MongoDB

[[412371]]

Hello，大家好。我是吴老板。

前言

MongoDB 是非关系型数据库的代表，一款基于键值储存的高性能数据库。常作为爬虫储存数据库。

MongoDB 是一个基于分布式文件存储的数据库。由 C++ 语言编写。旨在为 WEB 应用提供可扩展的高性能数据存储解决方案。

MongoDB 是一个介于关系数据库和非关系数据库之间的产品，是非关系数据库当中功能最丰富，最像关系数据库的。

参考资料：

https://www.runoob.com/mongodb/mongodb-tutorial.html

连接 MongoDB

格式: mongodb://username:password@host:port/database

• mongodb://：固定的连接头，必须要指定。
• username:password：用户名密码验证，如果密码为空可不填
• host：指定host， URI 是唯一必填项。它指定了要连接服务器的地址。
• port：指定端口，如果不填，默认为 27017
• database：若不指定，默认打开 test 数据库。

创建数据库、集合

尝试创建数据库 地下交通站

我们使用中文命名我们的第一个数据库

> use 地下交通站 
switched to db 地下交通站 
> db 
地下交通站 

如果该数据库已存在则会切换到此库，如果没有，则创建。

查看数据库列表

> show dbs 
admin   0.000GB 
config  0.000GB 
local   0.000GB 

在 MongoDB中，数据库必须要有数据才能在列表中看到它，这一点和其他数据库还是有很大的不同，我们将在稍后尝试插入数据。

尝试创建集合 Quotations

> db.createCollection("Quotations") 
{ "ok" : 1 } 

这样一个集合就创建成功了。

查看 数据库地下交通站 中的所有集合

> show collections 
Quotations 

删库就更简单了，跑路才难 !!

删除一个数据库

> use 地下交通站 
switched to db 地下交通站 
 
> db.dropDatabase() 
{ "dropped" : "地下交通站", "ok" : 1 } 

这样一个MongoDB数据库就没了。

删除一个集合

> use 地下交通站 
switched to db 地下交通站 
> db.Quotations.drop()  # 删除集合 

这样数据库地下交通站 中的Quotations集合就没了 !

插入文档

MongoDB 是一个面向文档存储的数据库，操作起来比较简单和容易。

MongoDB 中一条数据被视为一个文档，而一个表则被称为一个集合(Collection)。

db.collection.insertOne() 用于向集合插入一个新文档(单个json对象)

db.collection.insertMany() 用于向集合插入一个多个文档(json对象列表)

尝试插入一条数据

在数据库地下交通站中的Quotations 集合中插入一条数据

> use 地下交通站 
switched to db 地下交通站 
 
> db.Quotations.insert({ 
   name: '贾贵', 
   description: '老子在这欠的饭钱够你吃二年的', 
   createDate: '2021-04-15' 
 }) 
WriteResult({ "nInserted" : 1 }) 

查看已插入文档记录

> db.Quotations.find({}) 
{ "_id" : ObjectId("6078e9743252cc07e092d204"), "name" : "贾贵", "description" : "老子在这欠的饭钱够你吃二年的", "createDate" : "2021-04-15" } 

可以看到 MongoDB 集合自动帮我们生成了 _id 字段用于唯一索引 !!

尝试插入多条数据

> db.Quotations.insertMany([ 
         {name: '黄金标',description: '这秤砣也TM炖熟了',createDate: '2021-04-15'}, 
         {name: '贾贵',description: '我捂着脑袋捂着脸撅着屁股就跟他打起来了',createDate: '2021-04-16'}, 
         {name: '黑藤',description: '你说我他么是谁，我他么是黑藤',createDate: '2021-04-16'}, 
         {name: '孙友福',description: '没有水就没有鱼，没有你就没有驴',createDate: '2021-04-17'} 
     ]) 

> db.Quotations.find({}) 
{ "_id" : ObjectId("6078e9743252cc07e092d204"), "name" : "贾贵", "description" : "老子在这欠的饭钱够你吃二年的", "createDate" : "2021-04-15" } 
{ "_id" : ObjectId("6078ebd395708b77ad7a8bd8"), "name" : "黄金标", "description" : "这秤砣也TM炖熟了", "createDate" : "2021-04-15" } 
{ "_id" : ObjectId("6078ebd395708b77ad7a8bd9"), "name" : "贾贵", "description" : "我捂着脑袋捂着脸撅着屁股就跟他打起来了", "createDate" : "2021-04-16" } 
{ "_id" : ObjectId("6078ebd395708b77ad7a8bda"), "name" : "黑藤", "description" : "你说我他么是谁，我他么是黑藤", "createDate" : "2021-04-16" } 
{ "_id" : ObjectId("6078ebd395708b77ad7a8bdb"), "name" : "孙友福", "description" : "没有水就没有鱼，没有你就没有驴", "createDate" : "2021-04-17" } 

更新文档

尝试更新 name 字段(单条文档)

> db.Quotations.update({'name':'黑藤'},{$set:{name: '黑藤',description: '天下汉奸一般蠢',createDate: '2021-04-16'}}) 

更改生效

> db.Quotations.find({})                                                                                 1-04-16'}}) 
{ "_id" : ObjectId("6078e9743252cc07e092d204"), "name" : "贾贵", "description" : "老子在这欠的饭钱够你吃二年的", "createDate" : "2021-04-15" } 
{ "_id" : ObjectId("6078ebd395708b77ad7a8bd8"), "name" : "黄金标", "description" : "这秤砣也TM炖熟了", "createDate" : "2021-04-15" } 
{ "_id" : ObjectId("6078ebd395708b77ad7a8bd9"), "name" : "贾贵", "description" : "我捂着脑袋捂着脸撅着屁股就跟他打起来了", "createDate" : "2021-04-16" } 
{ "_id" : ObjectId("6078ebd395708b77ad7a8bda"), "name" : "黑藤", "description" : "天下汉奸一般蠢", "createDate" : "2021-04-16" } 
{ "_id" : ObjectId("6078ebd395708b77ad7a8bdb"), "name" : "孙友福", "description" : "没有水就没有鱼，没有你就没有驴", "createDate" : "2021-04-17" } 

尝试更新所有文档

> db.Quotations.update({'name':'贾贵'},{$set: {name: '贾贵',description: '这我哪知道呀！我知道她长的嘿！',createDate: '2021-04-16'}},{multi:true}) 

> db.Quotations.find({})                                                                                      
{ "_id" : ObjectId("6078e9743252cc07e092d204"), "name" : "贾贵", "description" : "这我哪知道呀！我知道她长的嘿！", "createDate" : "2021-04-16" } 
{ "_id" : ObjectId("6078ebd395708b77ad7a8bd8"), "name" : "黄金标", "description" : "这秤砣也TM炖熟了", "createDate" : "2021-04-15" } 
{ "_id" : ObjectId("6078ebd395708b77ad7a8bd9"), "name" : "贾贵", "description" : "这我哪知道呀！我知道她长的嘿！", "createDate" : "2021-04-16" } 
{ "_id" : ObjectId("6078ebd395708b77ad7a8bda"), "name" : "黑藤", "description" : "天下汉奸一般蠢", "createDate" : "2021-04-16" } 
{ "_id" : ObjectId("6078ebd395708b77ad7a8bdb"), "name" : "孙友福", "description" : "没有水就没有鱼，没有你就没有驴", "createDate" : "2021-04-17" } 

这里我们将 multi 参数设置成 True，意味着将更新所有匹配查询条件的文档

发现所有name 为贾贵的语录都改变了。

不存在则新增

设置 upsert 参数为True， 更新不存在则新增。

> db.Quotations.update({'name':'濑川'},{$set:{ 'name' : '濑川', 'description' : '去东关，捣乱的干活'}},{upsert:true}) 

> db.Quotations.find({})                                              
{ "_id" : ObjectId("6078e9743252cc07e092d204"), "name" : "贾贵", "description" : "这我哪知道呀！我知道她长的嘿！", "createDate" : "2021-04-16" } 
{ "_id" : ObjectId("6078ebd395708b77ad7a8bd8"), "name" : "黄金标", "description" : "这秤砣也TM炖熟了", "createDate" : "2021-04-15" } 
{ "_id" : ObjectId("6078ebd395708b77ad7a8bd9"), "name" : "贾贵", "description" : "这我哪知道呀！我知道她长的嘿！", "createDate" : "2021-04-16" } 
{ "_id" : ObjectId("6078ebd395708b77ad7a8bda"), "name" : "黑藤", "description" : "天下汉奸一般蠢", "createDate" : "2021-04-16" } 
{ "_id" : ObjectId("6078ebd395708b77ad7a8bdb"), "name" : "孙友福", "description" : "没有水就没有鱼，没有你就没有驴", "createDate" : "2021-04-17" } 
{ "_id" : ObjectId("6078ee01249a48b5bb83b936"), "name" : "濑川", "description" : "去东关，捣乱的干活" } 

发现新增了一条 name 为 濑川 的文档记录

与此同时， 我建议 使用 update_one 方法更新单个文档， 使用 update_many 方法更新多个文档。

删除文档

删除匹配查询条件的所有文档

> db.Quotations.remove({'name':'贾贵'}) 
WriteResult({ "nRemoved" : 2 }) 

> db.Quotations.find({})     
{ "_id" : ObjectId("6078ebd395708b77ad7a8bd8"), "name" : "黄金标", "description" : "这秤砣也TM炖熟了", "createDate" : "2021-04-15" } 
{ "_id" : ObjectId("6078ebd395708b77ad7a8bda"), "name" : "黑藤", "description" : "天下汉奸一般蠢", "createDate" : "2021-04-16" } 
{ "_id" : ObjectId("6078ebd395708b77ad7a8bdb"), "name" : "孙友福", "description" : "没有水就没有鱼，没有你就没有驴", "createDate" : "2021-04-17" } 
{ "_id" : ObjectId("6078ee01249a48b5bb83b936"), "name" : "濑川", "description" : "去东关，捣乱的干活" } 

这样就把 name 为 贾贵的所有文档记录全都干掉了。

删除集合中所有文档

> db.Quotations.remove({}) 

{} 表示无条件，默认移除全部文档，等价于删除此集合。

查询文档

MongoDB 查询数据的通用语法

db.collection.find(query, projection) 

条件查询

指定非 _id 字段 查询

> use 地下交通站 
switched to db 地下交通站 
> db.Quotations.find({},{'_id':0}) 
{ "name" : "黑藤", "description" : "天下汉奸一般蠢", "createDate" : "2021-04-16" } 
{ "name" : "孙友福", "description" : "没有水就没有鱼，没有你就没有驴", "createDate" : "2021-04-17" } 
{ "name" : "濑川", "description" : "去东关，捣乱的干活" } 
{ "name" : "黄金标", "createDate" : "2021-04-26", "description" : "刘副官你记住了，让皇军先尿。" } 
{ "name" : "贾贵", "createDate" : "2021-04-18", "description" : "我啐他一脸狗屎" } 
{ "name" : "黄金标", "createDate" : "2021-04-26", "description" : "刘副官你记住了，让皇军先尿。" } 

为了美化输出，可以使用 pretty() 方法，此方法对 sql 事务不起到任何意义

db.Quotations.find({},{'_id':0}).pretty() 

AND 查询

查询 [ name 为 黄金标 ] 并且 [ createDate 为 2021-04-26 ] 的所有文档记录

> db.Quotations.find({"name":"黄金标", "createDate":"2021-04-26"}) 
{ "_id" : ObjectId("6078f0e31e12a856cf9525da"), "name" : "黄金标", "createDate" : "2021-04-26", "description" : "刘副官你记住了，让皇军先尿。" } 
{ "_id" : ObjectId("6078f2091e12a856cf9525dd"), "name" : "黄金标", "createDate" : "2021-04-26", "description" : "刘副官你记住了，让皇军先尿。" } 

OR 查询

查询 [ name 为 贾贵 ] 或者 [ description 为 天下汉奸一般蠢 ] 的所有文档记录

> db.Quotations.find({$or:[{"name":"贾贵"},{"description": "天下汉奸一般蠢"}]}) 
{ "_id" : ObjectId("6078ebd395708b77ad7a8bda"), "name" : "黑藤", "description" : "天下汉奸一般蠢", "createDate" : "2021-04-16" } 
{ "_id" : ObjectId("6078f2091e12a856cf9525dc"), "name" : "贾贵", "createDate" : "2021-04-18", "description" : "我啐他一脸狗屎" } 

可以看到在这里 OR 查询使用了显式操作($or 后接条件列表)， OR操作一定是显式的，不存在隐式的OR操作。

而上面的 AND查询 操作是不是可以尝试也写成 显式操作

> db.Quotations.find({$and:[{"name":"黄金标"},{"createDate": "2021-04-26"}]}) 
{ "_id" : ObjectId("6078f0e31e12a856cf9525da"), "name" : "黄金标", "createDate" : "2021-04-26", "description" : "刘副官你记住了，让皇军先尿。" } 
{ "_id" : ObjectId("6078f2091e12a856cf9525dd"), "name" : "黄金标", "createDate" : "2021-04-26", "description" : "刘副官你记住了，让皇军先尿。" } 

发现也是可以的 !!

AND 和 OR 联合使用

查询 [ createDate 为 2021-04-18 ] 并且 [ [ name 为 贾贵 ] 或者 [ description 为 天下汉奸一般蠢 ] ] 的所有文档记录

伪sql语句表述为:

where createDate='2021-04-18' AND (name = '贾贵' OR description = '天下汉奸一般蠢') 

> db.Quotations.find({"createDate": "2021-04-18", $or: [{"name": "贾贵"},{"description": "天下汉奸一般蠢"}]}) 
{ "_id" : ObjectId("6078f2091e12a856cf9525dc"), "name" : "贾贵", "createDate" : "2021-04-18", "description" : "我啐他一脸狗屎" } 

高级查询

范围查询、正则查询

• $lt 小于
• $gt 大于
• $lte 小于等于
• $gte 大于等于
• $ne 不等于
• $in 在范围内
• $nin 不在范围内

查询创建时间 大于 2021-04-17 的所有文档记录

> db.Quotations.find({"createDate" : {$gt : "2021-04-17"}}) 
{ "_id" : ObjectId("6078f0e31e12a856cf9525da"), "name" : "黄金标", "createDate" : "2021-04-26", "description" : "刘副官你记住了，让皇军先尿。" } 
{ "_id" : ObjectId("6078f2091e12a856cf9525dc"), "name" : "贾贵", "createDate" : "2021-04-18", "description" : "我啐他一脸狗屎" } 
{ "_id" : ObjectId("6078f2091e12a856cf9525dd"), "name" : "黄金标", "createDate" : "2021-04-26", "description" : "刘副官你记住了，让皇军先尿。" } 

查询 [ name 不等于 黄金标 ] 并且 [ createDate 小于 2021-04-26 ] 的所有文档记录

> db.Quotations.find({"name" : {$ne : "黄金标"},"createDate":{$lt : "2021-04-26"}}) 
{ "_id" : ObjectId("6078ebd395708b77ad7a8bda"), "name" : "黑藤", "description" : "天下汉奸一般蠢", "createDate" : "2021-04-16" } 
{ "_id" : ObjectId("6078ebd395708b77ad7a8bdb"), "name" : "孙友福", "description" : "没有水就没有鱼，没有你就没有驴", "createDate" : "2021-04-17" } 
{ "_id" : ObjectId("6078f2091e12a856cf9525dc"), "name" : "贾贵", "createDate" : "2021-04-18", "description" : "我啐他一脸狗屎" } 

查询 [ name 包含 黄金标、贾贵 ] 并且 [ createDate 大于 2021-04-02 ] 的所有文档记录

> db.Quotations.find({"name" : {$in : ["黄金标","贾贵"]},"createDate":{$gt : "2021-04-02"}}) 
{ "_id" : ObjectId("6078f0e31e12a856cf9525da"), "name" : "黄金标", "createDate" : "2021-04-26", "description" : "刘副官你记住了，让皇军先尿。" } 
{ "_id" : ObjectId("6078f2091e12a856cf9525dc"), "name" : "贾贵", "createDate" : "2021-04-18", "description" : "我啐他一脸狗屎" } 
{ "_id" : ObjectId("6078f2091e12a856cf9525dd"), "name" : "黄金标", "createDate" : "2021-04-26", "description" : "刘副官你记住了，让皇军先尿。" } 

• $regex 匹配正则
• $exists 属性是否存在
• $type 类型判断
• $mod 数字模操作
• $text 文本查询
• $where 高级条件查询

利用正则语句匹配 name 中带有 金标 的所有文档

> db.Quotations.find({"name":{"$regex":"金标"}}) 
{ "_id" : ObjectId("6078f0e31e12a856cf9525da"), "name" : "黄金标", "createDate" : "2021-04-26", "description" : "刘副官你记住了，让皇军先尿。" } 
{ "_id" : ObjectId("6078f2091e12a856cf9525dd"), "name" : "黄金标", "createDate" : "2021-04-26", "description" : "刘副官你记住了，让皇军先尿。" } 

利用正则语句匹配 以 我 开头的 description 的所有文档

> db.Quotations.find({"description":{"$regex":"^我"}}) 
{ "_id" : ObjectId("6078f2091e12a856cf9525dc"), "name" : "贾贵", "createDate" : "2021-04-18", "description" : "我啐他一脸狗屎" } 

利用正则语句匹配 以 我 开头、以 屎 结尾 description 的所有文档

> db.Quotations.find({"description":{"$regex":"^我.*屎$"}}) 
{ "_id" : ObjectId("6078f2091e12a856cf9525dc"), "name" : "贾贵", "createDate" : "2021-04-18", "description" : "我啐他一脸狗屎" } 

更多高级查询用法各位读者请参考 MongoDB 官方文档

聚合函数

排序

在 MongoDB 中使用 sort() 方法对数据进行排序，sort() 方法可以通过参数指定排序的字段， 并使用 1 和 -1 来指定排序的方式， 其中 1 为升序排列，而 -1 是用于降序排列。

我们总是喜欢用时间维度来排序集合中的文档

> db.Quotations.find({},{"_id":0}).sort({"createDate":-1}) 
{ "name" : "黄金标", "createDate" : "2021-04-26", "description" : "刘副官你记住了，让皇军先尿。" } 
{ "name" : "黄金标", "createDate" : "2021-04-26", "description" : "刘副官你记住了，让皇军先尿。" } 
{ "name" : "贾贵", "createDate" : "2021-04-18", "description" : "我啐他一脸狗屎" } 
{ "name" : "孙友福", "description" : "没有水就没有鱼，没有你就没有驴", "createDate" : "2021-04-17" } 
{ "name" : "黑藤", "description" : "天下汉奸一般蠢", "createDate" : "2021-04-16" } 
{ "name" : "濑川", "description" : "去东关，捣乱的干活" } 

分组

db.Quotations.aggregate({$group:{_id:{name:"$name"}}}) 

根据 name 和 description 字段进行分组

db.Quotations.aggregate({ 
    $group:{ 
        _id:{name:"$name",description:"$description"} 
}}) 

由于我们现有集合文档的字段中并没有可计算的数值

我们尝试添加一个集合字段并先赋值为空

db.Quotations.update({},{$set:{"forceValue": ""}},{multi:true}) 

添加随机值

db.Quotations.update({"name":"黑藤"},{$set:{"forceValue": Math.random()*100}},{multi:true}) 
db.Quotations.update({"name":"孙友福"},{$set:{"forceValue": Math.random()*100}},{multi:true}) 
db.Quotations.update({"name":"濑川"},{$set:{"forceValue": Math.random()*100}},{multi:true}) 
db.Quotations.update({"name":"黄金标"},{$set:{"forceValue": Math.random()*100}},{multi:true}) 
db.Quotations.update({"name":"贾贵"},{$set:{"forceValue": Math.random()*100}},{multi:true}) 

结果如下

{ "name" : "黑藤", "description" : "天下汉奸一般蠢", "createDate" : "2021-04-16", "forceValue" : 14.796604243632927 } 
{ "name" : "孙友福", "description" : "没有水就没有鱼，没有你就没有驴", "createDate" : "2021-04-17", "forceValue" : 43.71427504449847 } 
{ "name" : "濑川", "description" : "去东关，捣乱的干活", "forceValue" : 41.53502198761502 } 
{ "name" : "黄金标", "createDate" : "2021-04-26", "description" : "刘副官你记住了，让皇军先尿。", "forceValue" : 21.887495918176125 } 
{ "name" : "贾贵", "createDate" : "2021-04-18", "description" : "我啐他一脸狗屎", "forceValue" : 94.18697675337746 } 

由于要用到分组，我们需要多添加几条文档数据

db.Quotations.insertMany([ 
         {name: '黄金标',description: '我黄某人为官一任就得保一方平安',forceValue:Math.random()*100,createDate: '2021-04-11'}, 
         {name: '贾贵',description: '皇军没来的时候，你欺负我，皇军来了你还欺负我，那皇军不是TM白来了吗',forceValue:Math.random()*100,createDate: '2021-04-14'}, 
         {name: '黑藤',description: '全东亚乃至全亚洲都找不到第二张想你这么一张空前绝后的脸来',forceValue:Math.random()*100,createDate: '2021-04-22'}, 
         {name: '贾贵',description: '这我哪知道啊，我就知道她长得嘿',forceValue:Math.random()*100, createDate: '2021-04-19'} 
     ]) 

分组使用聚合函数

常用聚合函数

• $sum
• $avg
• $max
• $min
• $first
• $last

根据 name 分组并使用 $sum 函数求和，得到一下结果

• $match 查询条件
• $group 根据字段分组(可以是多字段) + 聚合函数

> db.Quotations.aggregate( 
...     {"$match":{"createDate":{"$gt":"2021-04-07"}}}, 
...     {"$group":{"_id":"$name",'forceValue':{"$sum":"$forceValue"}}}, 
... ) 
{ "_id" : "贾贵", "forceValue" : 204.22774268609504 } 
{ "_id" : "黄金标", "forceValue" : 121.14812944012357 } 
{ "_id" : "黑藤", "forceValue" : 91.2583132098972 } 
{ "_id" : "孙友福", "forceValue" : 43.71427504449847 } 

这相当于在 Mysql 中执行

select id,sum(forceValue) from Quotations where createDate > "2021-04-07" group by name;   

$avg 求平均

> db.Quotations.aggregate( 
...     {"$match":{"createDate":{"$gt":"2021-04-07"}}}, 
...     {"$group":{"_id":"$name",'forceValue':{"$avg":"$forceValue"}}}, 
... ) 
{ "_id" : "贾贵", "forceValue" : 68.07591422869835 } 
{ "_id" : "黄金标", "forceValue" : 60.574064720061784 } 
{ "_id" : "黑藤", "forceValue" : 45.6291566049486 } 
{ "_id" : "孙友福", "forceValue" : 43.71427504449847 } 

多字段分组

根据 createDate + name 进行分组之后求和

> db.Quotations.aggregate( 
... ...     {"$match":{"createDate":{"$gt":"2021-04-07"}}}, 
... ...     {"$group":{"_id":{"createDate":"$createDate","name":"$name"},'forceValue':{"$sum":"$forceValue"}}}, 
... ... ) 
{ "_id" : { "createDate" : "2021-04-11", "name" : "黄金标" }, "forceValue" : 99.26063352194744 } 
{ "_id" : { "createDate" : "2021-04-16", "name" : "黑藤" }, "forceValue" : 14.796604243632927 } 
{ "_id" : { "createDate" : "2021-04-17", "name" : "孙友福" }, "forceValue" : 43.71427504449847 } 
{ "_id" : { "createDate" : "2021-04-18", "name" : "贾贵" }, "forceValue" : 94.18697675337746 } 
{ "_id" : { "createDate" : "2021-04-26", "name" : "黄金标" }, "forceValue" : 21.887495918176125 } 
{ "_id" : { "createDate" : "2021-04-14", "name" : "贾贵" }, "forceValue" : 81.9931941785778 } 
{ "_id" : { "createDate" : "2021-04-22", "name" : "黑藤" }, "forceValue" : 76.46170896626427 } 
{ "_id" : { "createDate" : "2021-04-19", "name" : "贾贵" }, "forceValue" : 28.04757175413979 } 

我不能再继续写下去了，MongoDB 的基础入门就介绍到这里 🍺

更多教程请参考 MongoDB官方文档

结束语

我是吴老板，以上就是我们这次的干货分享了。最后重申下：

MongoDB 是非关系型数据库的代表，一款基于键值储存的高性能数据库。常作为爬虫储存数据库。

MongoDB 是一个基于分布式文件存储的数据库。由 C++ 语言编写。旨在为 WEB 应用提供可扩展的高性能数据存储解决方案。

MongoDB 是一个介于关系数据库和非关系数据库之间的产品，是非关系数据库当中功能最丰富，最像关系数据库的。