爬虫入门（八）——MongoDB
一、MongoDB的介绍
MongoDB是一个基于分布式文件存储的nosql数据库。在处理大数据的时候会比MySQL更有优势。爬虫的数据如果上了一个量级,可能用MongoDB会比MySQL更好
SQL和NoSQL(Not only SQL)的主要区别
- 在SQL中层级关系:数据库->表->数据
- 在NoSQL中是:数据库->集合->文档
MongoDB的优势
1.无数据结构限制
- 没有表结构的概念，每条记录可以有完全不同的结构
- 业务开发方便快捷
2.大数据量和高性能
- nosql数据库都具有非常高的读写性能，尤其在大数量下表现优秀
3.良好的支持
- 完善的文档
- 齐全的驱动支持
MongoDB的安装
在Linux中安装
sudo apt-get install mongodb
开启服务
sudo service mongodb start
关闭服务
sudo service mongodb stop
重启服务
sudo service mongodb restart
注意：如果是系统非正常关闭，这样启动会报错，由于mongodb自动被锁上了，这时需要进入mongodb数据库文件所在的目录（/var/lib/mongodb/）,删除目录中的mongodb.lock文件,然后再进行上述操作。
如果想让远程连接
需要修改 /etc/mongodb.conf 打开文件： sudo vim /etc/mongodb.conf 注释掉 bind 127.0.0.1
MongoDB在Windows中安装
下载网址：https://www.mongodb.com/download-center/community
安装教程：https://www.cnblogs.com/chy18883701161/p/11100560.html
运行MongoDB
1.把MongoDB的bin目录加入到环境变量中
2.执行命令：mongod --dbpath D:\MongoDB\data (输入电脑中data文件夹所在的路径，我的路径为 D:\MongoDB\data) # 启动
连接MongoDB
另打开一个cmd,在环境变量设置好的前提下,输入命令mongo就可以进入到mongo的操作终端了
出现>就可以进行操作了！
MongoDB概念介绍
| SQL概念 | MongoDB概念 | 解释 |
| database | database | 数据库 |
| table | collection | 数据库表/集合 |
| row | document | 数据记录行/文档 |
| column | field | 字段/域 |
| index | index | 索引 |
| primary key | primary key | 主键 |
MongoDB三元素
三元素：数据库、集合、文档
- 文档: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": "abc", "gender": 1}
- 集合: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。
{"name": "abc", "gender": 1}
{"name": "abc", "age": 18}
{"title": "abc", "price": 1}
mongoDB中数据库的基本使用
- 查看数据库: show dbs
- 切换数据库: use 数据库
- 查看当前的数据库: db
- 删除数据库: db.dropDatabase()
- 创建数据库: use 数据库(若数据库已存在该命令切换到数据库，若数据库不存在则自动创建）
- 查看集合: show tables/show collections
- 退出数据库: db.shutdownServer()
MongoDB中集合的基础命令
不手动创建集合,向不存在的集合中第一次加入数据时，集合会被自动创建出来！！！！
手动创建集合 : db.createCollection(name,options)
- name: 要创建的集合名称
- options: 可选参数, 指定有关内存大小及索引的选项
例如: db.createCollection('sub',{capped:true,size:10})
- 参数capped:默认值为false表示不设置上限，值为true表示设置上限
- 参数size:当capped值为true时，需要制定此参数。表示上限大小，当文档达到上限时，会将之前的数据覆盖，单位为字节
查看集合：show collections
删除集合：db.集合名称.drop()
MongoDB的数据类型
- String:字符串，必须是有效的UTF-8
- Boolean:存储一个布尔值，true或者false
- Integer:整数可以是32位或64位，这取决于服务器
- Double:存储浮点数
- Arrays:数组或列表
- Object:嵌入式文档
- Null:存储Null值
- Timestamp:时间戳， 表示从1970-1-1到现在的总秒数
- Object ID是一个12字节的十六进制数
- 前4个字节为当前时间戳
- 接下来3个字节的机器ID
- 接下来的2个字节中MongoDB的服务进程id
- 最后3个字节是简单的增量值
二、MongoDB的增删改查
mongoDB插入数据
命令：db.集合名称.insert({}) # 数据格式为json,id不能重复，支持多条插入数据库
单条插入数据：
- db.collection.insert({x:1})
多条插入数据：
- for(i=3;i<10;i++)db.collection.insert({x:i})
mongodb的保存
命令：db.集合名称.save(document) #若命令中限制了id,且该id是已经存在的文档，则此命令会对相应的文档做出更新；若直接保存数据，则相当于插入命令。
例如：
db.stu.save({_id:ObjectId("5f169b37d74866264ed9a7db"), name:'gj', gender:2}) #更新文档
db.stu.save({name:'gj', gender:2}) #保存文档
db.stu.find() #查看文档
删除数据
db.collection.remove({条件},{justOne:true}) # mongoDB为了防止误删除，条件必须写
db.collection.remove() # 删除所有数据，索引不会删除
db.collection.remove({x:100})
删除表
db.collection.drop()
修改数据
db.集合名称.update({query}, {update}, {multi: boolean})
- 参数query:查询条件
- 参数update:更新操作符
- 参数multi:可选，默认是false，表示只更新找到的第一条数据，值为true表示把满足条件的数据全部更新
db.collection.insert({x:100,y:100,z:100})
{ "_id" : ObjectId("59b297dd8fa0c171faae5bc8"), "x" : 100, "y" : 100, "z" : 100 }
db.collection.update({x:100},{y:99})
修改后数据变为
{ "_id" : ObjectId("59b297dd8fa0c171faae5bc8"), "y" : 99 }
部分更新
db.collection.update({x:100},{$set:{y:99}})
如果y:100数据不存在，就插入y:101这条数据，第三个参数为true
db.collection.update({y:100},{y:101},true)
更新多条
db.collection.update({y:99},{$set:{y:101}},{multi:true})
MongoDB查询数据
查询所有数据
db.集合名称.find()
方法pretty(): 将结果格式化
db.集合名称.find({条件⽂档}).pretty()
查询单条数据
db.集合名称.findOne({条件⽂档})
带有条件的查询
查询x等于100的数据
db.collection.find({x:100})
查询x等于100，y等于99的
db.collection.find({x:100,y:99})
比较运算符
等于：默认是等于判断，没有运算符
小于：$lt
小于等于：$lte
大于：$gt
大于等于：$gte
例如：查询y大于等于18的数据
db.collection.find({y:{$gte:18}})
范围运算符
使用$in,$nin判断是否在某个范围内查询年龄为18、28的学生
db.collection.find({age:{$in:[18,28]}})
逻辑运算符
or:使用$or，值为数组，数组中每个元素为json
db.collection.find({$or:[{age:{$gt:18}},{gender:false}]})
自定义查询
mongo shell 是一个js的执行环境
使用$where 写一个函数， 返回满足条件的数据
例如：
查询年龄大于30的学生
db.collection.find({
$where:function() {
return this.age>30;}
})
查询结果操作
查出的数据求总数
db.collection.find().count()
limit和skip
limit用于读取指定数量的文档 db.collection.find().limit(2) skip用于跳过指定数量的文档 db.collection.find().skip(2) limit和skip同时使用 db.collection.find().skip(2).limit(2)
映射
指定返回的字段,如果为1则返回改字段，如果为0则除了改字段外所有字段返回。id如果没写会默认返回
db.collection.find({},{_id:1})
排序
按照年龄升序排序
db.collection().find().sort({age:1})
按照年龄降序排序
db.collection().find().sort({age:-1})
三、MongoDB的聚合命令
聚合是基于数据处理的聚合管道，每个文档通过一个由多个阶段组成的管道，可以对每个阶段的管道进行分组、过滤等功能，然后经过一系列的处理，输出相应的结果
常用的管道
$group:将集合中的文档分组，可用于统计结果 $match:过滤数据，只输出符合条件的文档 $project:修改输入文档的结构 $sort:将输入文档排序后输出 $limit:限制聚合管道返回的文档书 $skip:跳过指定数量的文档，并返回余下的文档
重点是$group和$match管道！
测试数据
db.stu.insert({name:"a", hometown: '东北', age: 20, gender: true})
db.stu.insert({name:"b", hometown: '长沙', age: 18, gender: false})
db.stu.insert({name:"c", hometown: '武汉', age: 18, gender: false})
db.stu.insert({name:"d", hometown: '华山', age: 40, gender: true})
db.stu.insert({name:"e", hometown: '山东', age: 16, gender: true})
db.stu.insert({name:"f", hometown: '江苏', age: 45, gender: true})
db.stu.insert({name:"g", hometown: '大理', age: 18, gender: true})
表达式
处理输⼊⽂档并输出
语法：表达式:'$列名'
常⽤表达式:
$sum： 计算总和， $sum:1 表示以⼀倍计数 $avg： 计算平均值 $min： 获取最⼩值 $max： 获取最⼤值 $push： 在结果⽂档中插⼊值到⼀个数组中 $first： 根据资源⽂档的排序获取第⼀个⽂档数据 $last： 根据资源⽂档的排序获取最后⼀个⽂档数据
$group
将集合中的文档分组，课用于统计结果
- _id表示分组的依据，使用某个字段的格式为 '$字段'
按照gender分组
db.students.aggregate(
{$group:{_id:'$gender',count:{$sum:1}}}
)
按照gender分组,获取不同组的平均年龄
db.students.aggregate(
{$group:{_id:'$gender',count:{$sum:1},avg_age:{$avg:"$age"}}}
)
$match
match是管道命令，能将结果交给后一个管道
查询年龄大于20的学生
db.students.aggregate(
{$match:{age:{$gt:20}}}
)
查询年龄大于20的男生，女生人数
db.students.aggregate(
{$match:{age:{$gt:20}}},
{$group:{_id:'$gender',count:{$sum:1}}}
)
四、Mongodb的索引操作
1. 为什么mongdb需要创建索引
- 加快查询速度
- 进行数据的去重
2. mongodb创建简单的索引方法
- 语法：
db.集合名.ensureIndex({属性:1})， # 1表示升序， -1表示降序
3. 创建索引前后查询速度对比
测试：插入10万条数据到数据库中
插入数据
for(i=0;i<100000;i++){db.test.insert({name:'test'+i,age:i})}
创建索引前
db.test.find({name:'test9999'})
db.test.find({name:'test9999'}).explain('executionStats') # 显示查询操作的详细信息
创建索引
db.test.ensureIndex({name:1})
创建索引后
db.test.find({name:'test9999'}).explain('executionStats')
executionTimeMillis为执行操作的时间(单位是毫秒)，通过对比可以看出执行的速度加快了!
4. 索引的查看
默认情况下，_id是集合的索引
查看方式：db.集合名.getIndexes()
5. 删除索引
语法：db.集合名.dropIndex({'索引名称':1})
db.test.dropIndex({name:1})
db.test.getIndexes()
6. mongodb创建唯一索引
在默认情况下mongdb的索引域的值是可以相同的，创建唯一索引之后，数据库会在插入数据的时候检查创建索引域的值是否存在，如果存在则不会插入该条数据，但是创建索引仅仅能够提高查询速度,同时降低数据库的插入速度。
6.1 添加唯一索引的语法
db.集合名.ensureIndex({"字段名":1}, {"unique":true})
6.2 利用唯一索引进行数据去重
根据唯一索引指定的字段的值，如果相同，则无法插入数据
db.t1.ensureIndex({"name":1}, {"unique":true})
db.t1.insert({name: 'test10000'})
7. 建立复合索引
在进行数据去重的时候，可能用一个域来保证数据的唯一性，这个时候可以考虑建立复合索引来实现。
例如：抓全贴吧信息，如果把帖子的名字作为唯一索引对数据进行去重是不可取的，因为可能有很多帖子名字相同
建立复合索引的语法：db.collection_name.ensureIndex({字段1:1,字段2:1})
8. 建立索引注意点
- 根据需要选择是否需要建立唯一索引
- 索引字段是升序还是降序在单个索引的情况下不影响查询效率，但是带复合索引的条件下会有影响
- 数据量巨大并且数据库的读出操作非常频繁的时候才需要创建索引，如果写入操作非常频繁，创建索引会影响写入速度