Pymongo Tutorial & Pymongo入门教

素颜马尾好姑娘i 2022-06-02 10:20 142阅读 0赞

### Pymongo入门教程 ###

转载自[http://www.open-open.com/lib/view/open1414223469247.html][http_www.open-open.com_lib_view_open1414223469247.html]

本教程是pymongo和Mongo的一个简单介绍，基于pymongo2.7.2的tutorial。看完后应该对Pymongo对Mongo的基本操作有认识了。

*  教程

这教程是pymongo和Mongo的一个简单介绍。看完后应该对Pymongo对Mongo的基本操作认识了。

*  前置条件

开始之前，安装PyMongo和Mongo。确保在python交互界面执行import不报错：

>>> import pymongo

你需要有一个已经在运行的MongoDB实例。如果你已经下载安装了，在mongo安装目录中的bin目录执行mongod命令来启动mongdb服务：

./mongod --dbpath /data/db

*  通过MongoClient建立一个连接

开始使用PyMongo的第一步是创建一个MongoClient，对应于MongoDB实例。操作起来so easy:

>>> from pymongo import MongoClient
    >>> client = MongoClient()

上面代码将会连接默认的host和port。当然也可指定：

>>> client = MongoClient('localhost', 27017)

或者用 MongoDB URI 格式:

>>> client = MongoClient('mongodb://localhost:27017/')

*  获取一个数据库

一 个MongoDB实例可以支持多个独立的数据库。使用PyMongo时，可以通过访问MongoClient的属性的方式来访问数据库:

>>> db = client.test_database

如果数据库名字使属性访问方式不能用（类似test-database），也可以通过访问字典值的方式：

>>> db = client['test-database']

*  获取一个Collection

一个collection指一组存在MongoDB中的文件，大致可以认为是关系型数据库中表的概念。获取Collection方法与获取数据库方法一致:

>>> collection = db.test_collection

或字典方式:

>>> collection = db['test-collection']

需要强调的一点是，MongoDB里的collection和数据库都是惰性创建的 - 之前我们提到的所有命令实际没有对MongoDB server进行任何操作。直到第一个文件插入后，才会创建。

*  文件（Documents）

数据在MongoDb中是以JSON类文件的形式保存起来的。在PyMongo中用字典来代表文件。例如，下面这个字典就可以代表一篇博文:

>>> import datetime
    >>> post = {
       "author": "Mike",
    ...         "text": "My first blog post!",
    ...         "tags": ["mongodb", "python", "pymongo"],
    ...         "date": datetime.datetime.utcnow()}

意，文件里可以保存python原生类型（datetime.datetime），这些类型的值会被自动在原生类型和BSON格式之间转换。

*  文件插入操作

要把一个文件插入collection，可以使用insert()方法:

>>> posts = db.posts
    >>> post_id = posts.insert(post)
    >>> post_id
    ObjectId('...')

文件被插入之后，如果文件内没有\_id这个键值，那么系统自动添加一个到文件里。这是一个特殊键值，它的值在整个collection里是唯一的。insert()返回这个文件的\_id值。对这个值的更多内容，可以参考：the documentation on \_id。

插入第一个文件后，这个posts collection 就真实的在server上创建了。可以通过查看数据库上的所有collection来验证：

>>> db.collection_names()
    [u'system.indexes', u'posts']

这个名为 system.indexes的 collection是个特殊的内部collection，这是自动创建的。

*  单个文件获取 find\_one()

MongoDB中最基本的查询就是find\_one。这个函数返回一个符合查询的文件，或者在没有匹配的时候返回None。这在你知道只有一个文件符合条件的时候，或者只对第一个符合条件的文件感兴趣的时候，很有用。下面用 find\_one() 来获取 posts collection里的第一个文件:

>>> posts.find_one()
    {
       u'date': datetime.datetime(...), u'text': u'My first blog post!', u'_id': ObjectId('...'), u'author': u'Mike', u'tags': [u'mongodb', u'python', u'pymongo']}

返回结果是一个我们之前插入的符合条件的字典类型值。  
注意，返回的文件里已经有了\_id这个键值，这是自动添加的。  
find\_one()还支持对特定元素进行匹配的查询。筛选出作者是“Mike”的文件：

>>> posts.find_one({
       "author": "Mike"})
    {
       u'date': datetime.datetime(...), u'text': u'My first blog post!', u'_id': ObjectId('...'), u'author': u'Mike', u'tags': [u'mongodb', u'python', u'pymongo']}

如果换个作者名，像 “Eliot”,就查不到结果:

>>> posts.find_one({
       "author": "Eliot"})
    >>>

*  按照ObjectId查询

通过\_id也可以进行查询, 在例子中就是ObjectId:

>>> post_id
    ObjectId(...)
    >>> posts.find_one({
       "_id": post_id})
    {
       u'date': datetime.datetime(...), u'text': u'My first blog post!', u'_id': ObjectId('...'), u'author': u'Mike', u'tags': [u'mongodb', u'python', u'pymongo']}

注意 ObjectId 并不等价于他的字符串形式。

>>> post_id_as_str = str(post_id)
    >>> posts.find_one({
       "_id": post_id_as_str}) # No result
    >>>

web应用的一个常见任务就是在requset的URL里获取ObjectId然后找到与之匹配的文件。在本例中，必须要先从字符串转换为ObjectId然后传给find\_one:

from bson.objectid import ObjectId
    # 框架从URL里获取post_id，然后把他作为字符串传入
    def get(post_id):
        # 从字符串转换为ObjectId:
        document = client.db.collection.find_one({
       '_id': ObjectId(post_id)})

*  关于Unicode字符串的一点说明

你可能已经注意到，之前存入数据库的事常规的Python字符串，这与我们从数据库服务器里取回来的看起来不同（比如 u’Mike’ 而不是‘Mike’）。下面简单解释一下。

MongoDB 以格式保存数据. BSON 字符串都是 UTF-8编码的， 所以PyMongo必须确保它保存的字符串值包含有效地 UTF-8数据.常规字符串 ( )都是有效的，可以不改变直接保存。Unicode 字符串( )就需要先编码成 UTF-8 格式.例子里的字符串显示为u’Mike’ 而不是 ‘Mike’是因为 PyMongo 会把每个BSON 字符串转换成 Python 的unicode 字符串, 而不是常规的 str.

*  批量插入

为了让查询更有趣点，我们多插入几个文件。除了单个文件插入，也可以通过给insert()方法传入可迭代的对象作为第一个参数，进行批量插入操作。这将会把迭代表中的每个文件插入，而且只向server发送一条命令:

>>> new_posts = [{
       "author": "Mike",
    ...               "text": "Another post!",
    ...               "tags": ["bulk", "insert"],
    ...               "date": datetime.datetime(2009, 11, 12, 11, 14)},
    ...              {
       "author": "Eliot",
    ...               "title": "MongoDB is fun",
    ...               "text": "and pretty easy too!",
    ...               "date": datetime.datetime(2009, 11, 10, 10, 45)}]
    >>> posts.insert(new_posts)
    [ObjectId('...'), ObjectId('...')]

这个例子里有一些比较有趣的地方：

insert()现在返回两个ObjectId实例，每个代表一个插入的文件。

new\_posts\[1\]与其他的posts内容格式不相同：里面没有”tags”，另外我们增加了一个新的“title”域。这就是MongoDB所提到的无schema特点。

*  查询多个文件

想获取多个文件的时候，可以使用find()方法。find()返回一个 Cursor 实例,通过它我们可以便利每个符合查询条件的文件。比如便利每个 posts collection里的文件:

>>> for post in posts.find():
    ...   post
    ...
    {
       u'date': datetime.datetime(...), u'text': u'My first blog post!', u'_id': ObjectId('...'), u'author': u'Mike', u'tags': [u'mongodb', u'python', u'pymongo']}
    {
       u'date': datetime.datetime(2009, 11, 12, 11, 14), u'text': u'Another post!', u'_id': ObjectId('...'), u'author': u'Mike', u'tags': [u'bulk', u'insert']}
    {
       u'date': datetime.datetime(2009, 11, 10, 10, 45), u'text': u'and pretty easy too!', u'_id': ObjectId('...'), u'author': u'Eliot', u'title': u'MongoDB is fun'}

与使用find\_one()时候相同,可以传入一个文件来限制查询结果。比如查询所有作者是 “Mike”的文章:

>>> for post in posts.find({
       "author": "Mike"}):
    ...   post
    ...
    {
       u'date': datetime.datetime(...), u'text': u'My first blog post!', u'_id': ObjectId('...'), u'author': u'Mike', u'tags': [u'mongodb', u'python', u'pymongo']}
    {
       u'date': datetime.datetime(2009, 11, 12, 11, 14), u'text': u'Another post!', u'_id': ObjectId('...'), u'author': u'Mike', u'tags': [u'bulk', u'insert']}

*  Counting

如果只想知道符合查询条件的文件有多少，可以用count()操作，而不必进行完整的查询。查询collection的文件总数:

>>> posts.count()
    3

或者只是特定的一些文件：

>>> posts.find({
       "author": "Mike"}).count()
    2

*  限定范围的查询

MongoDB 支持多种高级查询。例如，查询晚于某个特定时间的post,结果按作者名排序:

>>> d = datetime.datetime(2009, 11, 12, 12)
    >>> for post in posts.find({
       "date": {
       "$lt": d}}).sort("author"):
    ...   print post
    ...
    {
       u'date': datetime.datetime(2009, 11, 10, 10, 45), u'text': u'and pretty easy too!', u'_id': ObjectId('...'), u'author': u'Eliot', u'title': u'MongoDB is fun'}
    {
       u'date': datetime.datetime(2009, 11, 12, 11, 14), u'text': u'Another post!', u'_id': ObjectId('...'), u'author': u'Mike', u'tags': [u'bulk', u'insert']}

这里使用了特殊的”$lt”操作符来进行范围查询,并调用sort()对结果按照作者排序

#mongodb的条件操作符
    #    (>)  大于 - $gt
    #    (<)  小于 - $lt
    #    (>=)  大于等于 - $gte
    #    (<= )  小于等于 - $lte

*  索引（Indexing）

为了让上述查询更快一点，可以添加一个在”date” 和 “author”上添加复合索引。首先，使用explain()方法来了解查询在没有添加索引情况下如何执行:

>>> posts.find({
       "date": {
       "$lt": d}}).sort("author").explain()["cursor"]
    u'BasicCursor'
    >>> posts.find({
       "date": {
       "$lt": d}}).sort("author").explain()["nscanned"]
    3

可以看道，查询使用的是BasicCursor,而且扫描了全部的三个文件。现在添加一个复合索引，再看看同样的操作：

>>> from pymongo import
    ASCENDING, DESCENDING
    >>> posts.create_index([("date", DESCENDING), ("author", ASCENDING)])
    u'date_-1_author_1'
    >>> posts.find({
       "date": {
       "$lt": d}}).sort("author").explain()["cursor"]
    u'BtreeCursor date_-1_author_1'
    >>> posts.find({
       "date": {
       "$lt": d}}).sort("author").explain()["nscanned"]

现在查询使用的是BtreeCursor(利用这个索引)，并且只扫描了两个符合条件的文件。

关于索引可以查看MongoDB的文档indexs.

[http_www.open-open.com_lib_view_open1414223469247.html]: http://www.open-open.com/lib/view/open1414223469247.html