爬虫入门【8】Python连接MongoDB的用法简介

MongoDB的连接和数据存取

MongoDB是一种跨平台，面向文档的NoSQL数据库，提供高性能，高可用性并且易于扩展。

包含数据库，集合，文档等几个重要概念。

我们在这里不介绍MongoDB的特点和用法了，感兴趣的可以查一下官方文档。

在此重点介绍如何使用python连接MongoDB，并通过PyMongo操作MongoDB数据库。

这里默认MongoDB已经安装好啦，安装教程可以参考：

http://www.yiibai.com/mongodb/mongodb_environment.html

感谢易百教程~~~~~

安装PyMongo

目前最新版本为3.5.1。请注意不要单独安装bson包了，否则会与PyMongo不兼容。

使用MongoClient建立连接

使用PyMongo时，第一步是运行mongod实例创建一个MongoClient，代码如下：

当然，在使用代码测试之前，请务必保证MongoDB服务已经打开，否则连接不上的~~~~

from pymongo import MongoClient
client=MongoClient()
#这是设置连接默认主机和端口，也可以明确指定主机和端口

from pymongo import MongoClient
#client = MongoClient()
client = MongoClient('localhost', 27017)
#client = MongoClient('mongodb://localhost:27017/')
#上面几种方法都可以。

获取数据库

如果连接已经成功的话， 那么我们就要开始访问数据库了：

第一种方法是用Client实例的属性方法，也就是.DatabaseName的方式

假设我们的数据库名称为pyTest吧，看代码：

db=client.pyTest

第二种方法就是使用字典方式，看代码：

db=client['pyTest']

获取集合

得到数据库的连接后，我们就可以进一步获取数据库中额集合了，也就是collection，类似与SQL中的数据表，用于保存数据。同样有两种方法，假设我们在pyTest数据库中存在一个叫first的表格。

collection=db.first
#collection=db['first']

值得注意的是，MongoDB中关于集合和数据库的创建，是不同于传统SQL数据库的，他们是懒创建的，只有当出第一个文档（数据）插入集合时，才会创建集合和数据库。

文档（data）

在MongoDB中，存储的一个个数据就称作文档，是BSON格式的。用字典来表示文档，例如一个表示博客的文档：

post = {"author": "xingzhui",
         "text": "My first blog post!",
         "tags": ["mongodb", "python", "pymongo"],
         "date": datetime.datetime.utcnow()}
#可以看出文档是字典格式的，key-value对组成的，如果一个key对应多个value，需要用[]将所有的value包围起来。

插入文档

要将文档插入到集合中，可以使用insert_one()方法，这只是插入一条；

如果想要插入多条文档的话，那么就要使用insert_many()方法了。

两个方法的参数差不多。举个栗子，假如上面我们的一起操作都顺利的话。

#获取pyTest数据中名为posts的集合，如果该集合不存在，那么就创建他
posts = db.posts
#将post数据插入到posts里面，并获取插入的文档的主键id
post_id = posts.insert_one(post).inserted_id
print ("post id is ", post_id)

#我们将上面的语句拆分一下
result=db.posts.insert_one(post)
print(result.inserted_id)

我们再讲一个insert_many()的栗子：

>>> db.test.count()
0
>>> result = db.test.insert_many([{'x': i} for i in range(2)])
>>> result.inserted_ids
[ObjectId('54f113fffba522406c9cc20e'), ObjectId('54f113fffba522406c9cc20f')]
>>> db.test.count()
2

值得注意的是，如果文档不包含_id字段，会自动添加_id，并且_id的值在集合中必须是唯一的。

如果我们想要列出该数据库中的所有集合，可以使用下面的代码：

cur_collection=db.collection_names(False)
print(cur_collection)

使用find_one()获取单个文档

MongoDB中执行的最简单的查询类型是find_one()，返回与查询匹配的单个文档，如果没有获取到匹配的文档，返回None。只有当知道只有一个匹配的文档，或者只对第一个匹配感兴趣时，可以考虑使用find_one()方法。

下面举个例子：

#获取第一个文档，结果就是之前插入的字典格式，并且多了一个_id。
post_first=db.posts.find_one()
print(post_first)

#获取具有匹配的特定元素，比如author为xingzhui的文档，作为指定的查询条件。
post_xingzhui=db.posts.find_one({'author':'xingzhui'})
print(post_xingzhui)

通过ObjectId查询

有时候，我们也可以通过_id找到一个post，比较适用于我们自行指定_id的时候，举个例子：

post = {"_id": 200,
         "author": "Suifeng",
         "text": "This is is my first post!",
         "tags": ["Docker", "Shell", "pymongo"],
         "date": datetime.datetime.utcnow()}

post_id=db.posts.insert_one(post).inserted_id
print(post_id)

post_user=db.posts.find_one({'_id':post_id})
print('By Post ID:',post_user['author'])

#输出结果
200
By Post ID: Suifeng

批量插入 insert_many()

为了适应更复杂的查询，我们再向posts集合中再插入一些文档。

出了插入单个文档外，还可以插入多个文档，使用insert_many()来执行。

通过一个命令，插入多个文档。

举个例子：

new_posts = [{"_id": 1000,
               "author": "Curry",
               "text": "Another post!",
               "tags": ["bulk", "insert"],
               "date": datetime.datetime(2017, 11, 12, 11, 14)},
              {"_id": 1001,"author": "Maxsu",
               "title": "MongoDB is fun",
               "text": "and pretty easy too!",
               "date": datetime.datetime(2019, 11, 10, 10, 45)}]

result=db.posts.insert_many(new_posts)
print('Bulk Inserts Result is:',result.inserted_ids)

值得注意的是：

insert_many()的结果返回了两个ObjectId实例，每个ID表示插入的一个文档。

另外的是，我们在第二个post中把tag字段替换成了title字段，同样可以插入到数据库中。

MongoDB是无模式的，表示的就是这个意思。

查询多个文档

要查询获得超过单个文档作为查询的结果，可以使用find()方法，find()返回一个Cursor实例，它允许遍历所有匹配的文档。

for post in db.posts.find():
    print(post)

同样的我们可以将过滤参数传递给find方法，比如

for post in db.posts.find({'author':'xingzhui'}):
    print(post)

计数统计

如果只想知道有多少文档匹配查询，可以执行count()方法操作，而不是一个完整的查询。

可以得到一个集合中的所有文档的计数：

print(db.posts.count())
print(db.posts.find({"author": "xingzhui"}).count())

好了，至此我们已经将爬虫中可能用到的所有基础知识都介绍了一遍，后面我们就要开始爬虫的实战了。

我打算用一个月的时间，将静态网页、动态网页、登陆验证等不同类型的爬虫方法做介绍，希望大家能有兴趣。

一起进步！