一.MongoDB
1.爬虫的数据存储
可以放到mysql ,mysql 是关系型数据库 ,是基于硬盘存储的
当并发量太大时,mysql 可能无法支撑, 需要将数据库设计为分布式
mysql当然也支持分布式,但是分布式不是mysql的强项
反观MongoDB,它从一开始设计时就是奔着分布式去的,只需要简单的配置就能实现高效的分布式存储
被大量应用于大数据领域
2.MongoDB是一款基于C++编写的分布式非关系型数据库 noSQL:Not only SQL
3.Mongodb与redis数据库的区别
MongoDB是最像关系型数据库的非关系型数据库,更加适用于大数据.
redis则更加倾向于较小的数据,但性能更高一点
4.为什么爬虫需要使用MongoDB?
因为一些爬虫程序要爬取的数据非常多,简单的储存系统已经无法满足需求了
二.MongoDB安装
如果报错2502或2503
1、以管理员身份运行cmd命令 （Win + X, A）
2.在该安装包所正的目录下输入:msiexec /package + 安装包名 进行安装
安装过程中出现
出现service MongoDB failed to start，verify that you have sufficient privileges to start system services 错误
删除bin文件夹中mongod.cfg文件下#snmp: 后面的内容
然后进入services.msc找到MongoDB Server,右键属性登录选择本地系统登录,然后Retry 即可
此时MongoDB已经开启，浏览器访问http://localhost:27017/，页面上输出：
It looks like you are trying to access MongoDB over HTTP on the native driver port.
说明MongoDB已经启动了，且它的默认端口(27017)没有被占用。
三.重要概念
MongoDB mysql
数据库 数据库
集合 表
文档(类似字典) 记录
键值对 字段
#注意:MongoDB中区分大小写
注意事项:
需要注意的是：
#1、文档中的键/值对是有序的。
#2、文档中的值不仅可以是在双引号里面的字符串，还可以是其他几种数据类型（甚至可以是整个嵌入的文档)。
#3、MongoDB区分类型和大小写。
#4、MongoDB的文档不能有重复的键。
#5、文档中的值可以是多种不同的数据类型，也可以是一个完整的内嵌文档。文档的键是字符串。除了少数例外情况，键可以使用任意UTF-8字符。
文档键命名规范：
#1、键不能含有 (空字符)。这个字符用来表示键的结尾。
#2、.和$有特别的意义，只有在特定环境下才能使用。
#3、以下划线"_"开头的键是保留的(不是严格要求的)。
四.使用
将bin文件夹加入环境变量
在cmd 下输入mongo,看见欢迎信息说明登录成功
此时没有任何的权限限制,默认是管理员角色
1.创建账号
#1、创建账号
use admin
db.createUser(
{
user: "root",
pwd: "123",
roles: [ { role: "root", db: "admin" } ] #角色:root是管理员角色,对admin有操作权限
}
)
use test1
db.createUser(
{
user: "henry",
pwd: "123",
roles: [ { role: "readWrite", db: "test1" }, #readwrite是可读可写角色
{ role: "read", db: "test2" } ] #read是只读角色
}
)
key都是固定的不能随便写,每一个key都有特殊含义
在mongodb中用不同的数据库来区分权限,创建管理员账户在admin下创建!
db 是一个全局变量 表示当前数据库
db.createUser()是调用一个内部函数用于创建用户
每个账号可以具备多个角色
注意:创建管理员账户在admin下创建.
往其他数据创建用户,需要在admin登录状态下,进入该数据库进行创建
admin可以操作库,集合,文档的增删改查
如果使用其他数据库登录,只能按照自己规定的数据库的角色进行操作
2.开启账户认证
为了安全我们需要在配置文件中设置密码
1.配置文件 bin下的mongod.cfg文档
2.找到文档中的#security: (用来进行安全配置)
security：
authorization: enabled
# 注意缩进
账号检测
#直接mongo进入程序 已经无法查看数据库
show dbs
#登录方式1: authenticationDatabase指定数据库
mongo --port 27017 -u "root" -p "123" --authenticationDatabase "admin"
#登录方式2:
进入mongo后
use admin
db.auth("root","123")
#1 表示登陆成功
进入mongo后
use test1
db.auth("henry","123")
#删除账号 注意:只有在admin下登录进入用户注册的数据库才能删除用户账号
db.dropUser('用户名');
#修改密码
db.changeUserPassword(用户名, 新密码);
#查看帮助信息
db.help
五.Mongodb操作
1.库的操作
#创建数据库:
use 数据库名称
#如果有则切换没有则创建新的
# 查看数据库:
show dbs
#注意show dbs 有数据的库显示没有数据的库不显示
#删除
db.dropDatabase()
#注意区分大小写
2.集合的操作
集合是一个存储数据元素的容器类比mysql中的表
进入指定数据库
#创建集合:
db.user
#查看集合:
show collections
show tables
# 同样的数据集合中没有数据则 不会显示
#以下数据之间没有任何关系仅仅是名字有相同部分 数据之间的关系需要应用程序维护
db.blog
db.blog.user #(建立了一个叫blog.user的集合)
db.blog.common
#删除集合:如果集合中没有文档,删除的话会返回false,有文档删除才是true
db.blog.user.drop()
db.user.drop()
3.记录的(文档)操作
插入数据
#1、没有指定_id 则会默认生成_id值为ObjectId,_id不能重复，且在插入后不可变.
#MngoDB的语法就是js的语法 所以 json支持的数据类型 MongoDB都支持
#2、插入单条
user={
"name":"egon",
"age":10,
'hobbies':['music','read','dancing'],
'addr':{
'country':'China',
'city':'BJ'
}
}
db.test.insert(user)
# 如果id已经存在则覆盖,否则插入
db.test.save({"_id":10,"name":"henry"})
#3、插入多条
user1={
"_id":1,
"name":"alex",
"age":10,
'hobbies':['music','read','dancing'],
'addr':{
'country':'China',
'city':'weifang'
}
}
user2={
"_id":2,
"name":"wupeiqi",
"age":20,
'hobbies':['music','read','run'],
'addr':{
'country':'China',
'city':'hebei'
}
}
user3={
"_id":3,
"name":"yuanhao",
"age":30,
'hobbies':['music','drink'],
'addr':{
'country':'China',
'city':'heibei'
}
}
user4={
"_id":4,
"name":"jingliyang",
"age":40,
'hobbies':['music','read','dancing','tea'],
'addr':{
'country':'China',
'city':'BJ'
}
}
user5={
"_id":5,
"name":"jinxin",
"age":50,
'hobbies':['music','read',],
'addr':{
'country':'China',
'city':'henan'
}
}
db.user.insertMany([user1,user2,user3,user4,user5])
查询数据
find 查找所有匹配数据
findOne 查找第一个匹配的
db.user.find().pretty() # 格式化查询结果
=============================比较运算=============================
# SQL：=,!=,>,<,>=,<=
# MongoDB：{key:value}代表什么等于什么,"$ne","$gt","$lt","gte","lte",其中"$ne"能用于所有数据类型
#1、select * from db1.user where name = "cxx";
db.user.find({'name':'cxx'})
#2、select * from db1.user where name != "cxx";
db.user.find({'name':{"$ne":'cxx'}})
#3、select * from db1.user where id > 2;
db.user.find({'_id':{'$gt':2}})
#4、select * from db1.user where id < 3;
db.user.find({'_id':{'$lt':3}})
#5、select * from db1.user where id >= 2;
db.user.find({"_id":{"$gte":2,}})
#6、select * from db1.user where id <= 2;
db.user.find({"_id":{"$lte":2}})
=============================逻辑运算=============================
# SQL：and，or，not
# MongoDB：字典中逗号分隔的多个条件是and关系，"$or"的条件放到[]内,"$not"
#1、select * from db1.user where id >= 2 and id < 4;
db.user.find({'_id':{"$gte":2,"$lt":4}})
#2、select * from db1.user where id >= 2 and age < 40;
db.user.find({"_id":{"$gte":2},"age":{"$lt":40}})
#3、select * from db1.user where id >= 5 or name = "cxx";
db.user.find({
"$or":[
{'_id':{"$gte":5}},
{"name":"cxx"}
]
})
#4、select * from db1.user where id % 2=1;
#id为奇数的数据
db.user.find({'_id':{"$mod":[2,1]}})
#5、上题，取反
db.user.find({'_id':{"$not":{"$mod":[2,1]}}})
=============================成员运算=============================
# SQL：in，not in
# MongoDB："$in","$nin"
#1、select * from db1.user where age in (20,30,31);
db.user.find({"age":{"$in":[20,30,31]}})
#2、select * from db1.user where name not in ('alex','yuanhao');
db.user.find({"name":{"$nin":['alex','yuanhao']}})
=============================查询指定字段=============================
db.user.find({'_id':3},{'_id':0,'name':1,'age':1})
#{ "name" : "yuanhao", "age" : 30 }
db.user.find({'_id':3},{'name':1,'age':1})
#{ "_id" : 3, "name" : "yuanhao", "age" : 30 }
0表示不显示,1为显示 id默认为1 其余字段默认为0
=============================正则匹配=============================
# SQL: regexp 正则
# MongoDB: /正则表达/i i忽略大小写
#1、select * from db1.user where name regexp '^j.*?(g|n)$';
db.user.find({'name':/^j.*?(g|n)$/i})
=============================查询数组=============================
#1、查看有dancing爱好的人
db.user.find({'hobbies':'dancing'})
#2、查看既有dancing爱好又有tea爱好的人
db.user.find({
'hobbies':{
"$all":['dancing','tea']
}
})
#3、查看第4个爱好为tea的人
db.user.find({"hobbies.3":'tea'})
#4、查看所有人最后两个爱好
db.user.find({},{'hobbies':{"$slice":-2},"age":0,"_id":0,"name":0,"addr":0})
#5、查看所有人的第2个到第3个爱好 {"$slice":[1,2]}从索引1开始取两个值
db.user.find({},{'hobbies':{"$slice":[1,2]},"age":0,"_id":0,"name":0,"addr":0})
===============================其他===============================
# 排序:1代表升序，-1代表降序
db.user.find().sort({"name":1,})
db.user.find().sort({"age":-1,'_id':1})
db.user.find().sort({"_id":1,'age':-1})
#先以第一个key为依据排列,第一个相同再按照第二个排列
# 分页:limit代表取多少个document，skip代表跳过前多少个document。
db.user.find().sort({'age':1}).limit(1).skip(2)
# 获取数量
db.user.count({'age':{"$gt":30}})
db.user.find({'age':{"$gt":30}}).count()
#1、{'key':null} 匹配key的值为null或者没有这个key
db.t2.insert({'a':10,'b':111})
db.t2.insert({'a':20})
db.t2.insert({'b':null})
> db.t2.find({"b":null})
{ "_id" : ObjectId("5a5cc2a7c1b4645aad959e5a"), "a" : 20 }
{ "_id" : ObjectId("5a5cc2a8c1b4645aad959e5b"), "b" : null }
#2、查找所有
db.user.find() #等同于db.user.find({})
#3、查找一个，与find用法一致，只是只取匹配成功的第一个
db.user.findOne({"_id":{"$gt":3}})
修改数据
======================================update==========================================
update() 方法用于更新已存在的文档。语法格式如下：
db.collection.update(
<query>,
<update>,
{
upsert: <boolean>,
multi: <boolean>,
writeConcern: <document>
}
)
参数说明：对比update db1.t1 set name='EGON',sex='Male' where name='egon' and age=18;
query : 相当于where条件。
update : update的对象和一些更新的操作符（如$,$inc...等，相当于set后面的
upsert : 可选，默认为false，代表如果不存在update的记录不更新也不插入，设置为true代表插入。
multi : 可选，默认为false，代表只更新找到的第一条记录，设为true,代表更新找到的全部记录。
writeConcern :可选，抛出异常的级别。
更新操作是不可分割的：若两个更新同时发送，先到达服务器的先执行，然后执行另外一个，不会破坏文档。
=========================================覆盖式=========================================
#注意：除非是删除，否则_id是始终不会变的
#覆盖式:
db.user.update({'age':20},{"name":"Wxx","hobbies_count":3})
是用{"_id":2,"name":"Wxx","hobbies_count":3}覆盖原来的记录
=====================================设置:$set=========================================
通常文档只会有一部分需要更新。可以使用原子性的更新修改器，指定对文档中的某些字段进行更新。
更新修改器是种特殊的键，用来指定复杂的更新操作，比如修改、增加后者删除
#1、update db1.user set name="WXX" where id = 2
db.user.update({'_id':2},{"$set":{"name":"WXX"}})
#2、没有匹配成功则新增一条{"upsert":true}
db.user.update({'_id':6},{"$set":{"name":"egon","age":18}},{"upsert":true})
#3、默认只改匹配成功的第一条,{"multi":改多条}
db.user.update({'_id':{"$gt":4}},{"$set":{"age":28}})
db.user.update({'_id':{"$gt":4}},{"$set":{"age":38}},{"multi":true})
#4、修改内嵌文档，把名字为alex的人所在的地址国家改成Japan
db.user.update({'name':"alex"},{"$set":{"addr.country":"Japan"}})
#5、把名字为alex的人的地2个爱好改成piao
db.user.update({'name':"alex"},{"$set":{"hobbies.1":"piao"}})
#6、删除alex的爱好,$unset
db.user.update({'name':"alex"},{"$unset":{"hobbies":""}})
=============================增加和减少$inc=====================================
#1、所有人年龄增加一岁
db.user.update({},
{
"$inc":{"age":1}
},
{
"multi":true
}
)
#2、所有人年龄减少5岁
db.user.update({},
{
"$inc":{"age":-5}
},
{
"multi":true
}
)
===============================添加删除数组元素==================================
往数组内添加元素:$push
#1、为名字为yuanhao的人添加一个爱好read
db.user.update({"name":"yuanhao"},{"$push":{"hobbies":"read"}})
#2、为名字为yuanhao的人一次添加多个爱好tea，dancing
db.user.update({"name":"yuanhao"},{"$push":{
"hobbies":{"$each":["tea","dancing"]}
}})
按照位置且只能从开头或结尾删除元素：$pop
#3、{"$pop":{"key":1}} 从数组末尾删除一个元素
db.user.update({"name":"yuanhao"},{"$pop":{
"hobbies":1}
})
#4、{"$pop":{"key":-1}} 从头部删除
db.user.update({"name":"yuanhao"},{"$pop":{
"hobbies":-1}
})
#5、按照条件删除元素,："$pull" 把符合条件的统统删掉，而$pop只能从两端删
db.user.update({'addr.country':"China"},{"$pull":{
"hobbies":"read"}
},
{
"multi":true
}
)
=====================================避免添加重复：$addToSet===========================
#自动去除重复
db.urls.insert({"_id":1,"urls":[]})
db.urls.update({"_id":1},{"$addToSet":{"urls":'http://www.baidu.com'}})
db.urls.update({"_id":1},{"$addToSet":{"urls":'http://www.baidu.com'}})
db.urls.update({"_id":1},{"$addToSet":{"urls":'http://www.baidu.com'}})
db.urls.update({"_id":1},{
"$addToSet":{
"urls":{
"$each":[
'http://www.baidu.com',
'http://www.baidu.com',
'http://www.xxxx.com'
]
}
}
}
)
=====================================其他========================================
#1、了解：限制大小"$slice"，只留最后n个
db.user.update({"_id":5},{
"$push":{"hobbies":{
"$each":["read",'music','dancing'],
"$slice":-2
}
}
})
#2、了解：排序The $sort element value must be either 1 or -1"
db.user.update({"_id":5},{
"$push":{"hobbies":{
"$each":["read",'music','dancing'],
"$slice":-1,
"$sort":-1
}
}
})
#slice 把之前的值全部删掉 再切割出指定的数据 加入列表
#注意：不能只将"$slice"或者"$sort"与"$push"配合使用，且必须使用"$each"
删除数据
#1、删除多个中的第一个
db.user.deleteOne({ 'age': 8 })
#2、删除国家为China的全部
db.user.deleteMany( {'addr.country': 'China'} )
#3、删除全部
db.user.deleteMany({})
六.可视化
七.pymongo
from pymongo import MongoClient
#1、链接
client=MongoClient('mongodb://root:123@localhost:27017/')
# client = MongoClient('localhost', 27017)
# db = client["admin"]
# db.authenticate("root","123")
#2、use 数据库
db=client['db1'] #等同于：client.db1
#3、查看库下所有的集合
print(db.collection_names(include_system_collections=False))
#4、创建集合
table_user = db['user'] #等同于：db.user
#5、插入文档
table_user.insert({"_id":30,"name":"wade"})
#6、查找
print(table_user.find_one())
for item in table_user.find():
print(item)
print(table_user.find_one({"_id":{"$gte":1},"name":'egon'}))
#7、更新
table_user.update({'_id':1},{"$set":{'name':'EGON'}})
#8、传入新的文档替换旧的文档
table_user.save(
{
"_id":2,
"name":'egon_xxx'
}
)
#9.删除数据
table_user.delete_one({"name":"wade"})
八.分组聚合
#插入一组数据
from pymongo import MongoClient
import datetime
client=MongoClient('mongodb://root:123@localhost:27017')
table=client['db1']['emp']
l=[
('张飞','male',18,'20170301','teacher',7300.33,401,1), #以下是教学部
('张云','male',78,'20150302','teacher',1000000.31,401,1),
('刘备','male',81,'20130305','teacher',8300,401,1),
('关羽','male',73,'20140701','teacher',3500,401,1),
('曹操','male',28,'20121101','teacher',2100,401,1),
('诸葛亮','female',18,'20110211','teacher',9000,401,1),
('周瑜','male',18,'19000301','teacher',30000,401,1),
('司马懿','male',48,'20101111','teacher',10000,401,1),
('袁绍','female',48,'20150311','sale',3000.13,402,2),#以下是销售部门
('张全蛋','female',38,'20101101','sale',2000.35,402,2),
('鹌鹑蛋','female',18,'20110312','sale',1000.37,402,2),
('王尼玛','female',18,'20160513','sale',3000.29,402,2),
('我尼玛','female',28,'20170127','sale',4000.33,402,2),
('杨过','male',28,'20160311','operation',10000.13,403,3), #以下是运营部门
('小龙女','male',18,'19970312','operation',20000,403,3),
('郭靖','female',18,'20130311','operation',19000,403,3),
('黄蓉','male',18,'20150411','operation',18000,403,3),
('梅超风','female',18,'20140512','operation',17000,403,3)
]
for n,item in enumerate(l):
d={
"_id":n,
'name':item[0],
'sex':item[1],
'age':item[2],
'hire_date':datetime.datetime.strptime(item[3],'%Y%m%d'),
'post':item[4],
'salary':item[5]
}
table.save(d)
案例:爬取京东并将数据存入mongoDB
#爬取数据
from selenium.webdriver import Chrome
from urllib.parse import urlencode
import time
from MongoDB.爬取京东 import DBTool
driver = Chrome()
#https://search.jd.com/Search?keyword=%E6%9D%9C%E8%95%BE%E6%96%AF&enc=utf-8&wq=%E6%9D%9C%E8%95%BE%E6%96%AF&page=3
#使用 urlencode 传入指点key-value字典形式,返回值可以直接完成路径拼接
kw = input("搜索:").strip()
num = int(input("要获取几页数据:").strip())
def get_all_datas(i,kw):
par = {"keyword":kw,"enc":"utf-8","wq":kw,"page":i}
kw = urlencode(par)
url = "https://search.jd.com/Search?" + kw
driver.get(url)
#隐式等待
driver.implicitly_wait(10)
#执行js代码获取页面总高度
height = driver.execute_script("return document.body.clientHeight")
#执行js代码滑动页面.完成页面的加载
driver.execute_script("""
window.scrollTo({
top : %s,
behavior:"smooth"
});""" % height)
#获取商品列表
def get_items():
#获取包裹商品的大标签
ul = driver.find_element_by_class_name("gl-warp")
#获取商品列表
items = ul.find_elements_by_class_name("gl-item")
#判断数据是否全部加载完毕
if len(items) == 60:
return items
#没有加载完毕回调函数,直到该页面的数据全部加载完毕
return get_items()
#调用获取函数获取数据
items = get_items()
#解析商品列表.得到所需数据
for i in items:
link = i.find_element_by_css_selector(".p-img a").get_attribute("href")
img = i.find_element_by_css_selector(".p-img a img").get_attribute("src")
if not img:
img = i.find_element_by_css_selector(".p-img a img").get_attribute("data-lazy-img")
img = "https:" + img
price = i.find_element_by_css_selector(".p-price i").text
title = i.find_element_by_css_selector(".p-name a em").text
shop_name = i.find_element_by_css_selector(".p-shop a").text
commit = i.find_element_by_css_selector(".p-commit strong").text
dic = {"link":link,"img":img,"price":price,"title":title,"shop_name":shop_name,"commit":commit}
#将数据存放到MongoDB中去
DBTool.insert_data(dic)
for i in range(num):
i = 2*i+1
get_all_datas(i,kw)
time.sleep(30)
#关闭浏览器
driver.close()
#关闭mongoDB数据库连接
DBTool.close()
#DBTool
"""
连接数据库 保存数据
"""
from pymongo import MongoClient
table = None
c = None
#连接服务
def connect_service():
global table,c
c = MongoClient("mongodb://root:123@127.0.0.1:27017")
table = c["jd"]["jd_data"]
#插入数据
def insert_data(data):
if not table:
connect_service()
table.insert(data)
#关闭连接
def close():
c.close()