-
1. update(将要废弃，可跳过，直接看 2，3 点的方法)
update({查询条件}, {更新操作符} , {更新选项})
M: table.update({'name': {'$regex':'li'}},{'$set':{'name':'lin2'}}, {multi: true})
P: table.update({'name': {'$regex': 'li'}}, {'$set': {'name': 'lin3'}},multi=True)
注意 1: 第三个参数 multi 如果不设置，默认只更新一条文档，设置为 true，就会更新多条文档
注意 2：Mongo 写法：{multi: true} # Mongo 和往常一样，采用 json 格式，true 小写
Python 写法：multi = True # python 是采用命名参数来传递，True 大写
2. updateOne(更新一条)
M: updateOne({查询条件}, {更新操作符} )
P: update_one
3. updateMany(更新多条)
M: updateMany({查询条件}, {更新操作符} ) 其实参数是一模一样的，只不过方法名区分
P: update_many
注：这三个方法的参数 是基本一模一样的
所以下面讲具体 {查询条件}, {更新操作符} 时
就统一用 update()来写了
-
-
# 注：规则就是："有则改之，无则添加"
M: table.update({'5':5},{'$set': {'lin': [5,6,7,8]} })
P: 同上
微扩展(关于内嵌数组)：table.update({'5':5},{'$set': {'lin.0': '呵呵'}) # lin.0 代表数组的第一个元素
当数组的索引越界，这个时候就视为数组的添加操作。eg: 假定我们给 lin.10 一个值，那么 中间空出的那么多索引，会自动填充 null
-
# 注：删除的键对应的 value 可以随便写，写啥都会删除，写 '' 只是为了语义明确（规范）M: table.update({'6':6}, {'$unset': {'6':''}}) # 把此条记录的'6' 字段删除
P: 同上
微扩展(关于嵌套数组)：table.update({'5':5}, {'$unset': {'lin.0':''}}) # lin.0 同样代表数组第一个元素
注：数组的删除 并不是真正的删除，而是把值 用 null 替换
-
M: table.update({'name':'lin'}, {'$rename':{'name':'nick'}}) # name 变成了 nick
P: 同上
微扩展（文档嵌套）：如果文档是嵌套的 eg: {a: {b:c} }
M: table.update({'lin':'lin'}, {'$rename': {'a.b':'d'}})
P: 同上
结果 => {"a" : {}, "d" : "c" }
解析：b 属于 子文档
a.b 表示 通过父文档的 a 来取出 子文档的 b
如果整体 a.b 被 rename 为 d，那么 d 会被安排到父文档的层级里，而 a 设为空。举个栗子：你有一个箱子，里面 有一个 儿子级别 和 孙子级别 的箱子（共 3 层）现在你把 孙子级别的箱子 单独拿出来，把整个箱子替换掉
就是这种思想。。。自己体会吧（这种语法，好像 Python 列表的切片赋值。。形容可能不太恰当）
-
{$inc: { 'age': -2}} # 减少两岁，正数表示加法，负数表示减法，简单，不举例了
特例：如果字段不存在，那么，此字段会被添加，并且值就是你设定的值(0+n=n)
-
{$mul: { 'age': 0.5}} # 年龄除以 2，整数表示乘法，小数表示除法，简单，不举例了
特例：如果字段不存在，那么，此字段会被添加，并且值为 0 (0*n=0)
-
{$min: { 'age': 30}} # 30 比原有值小：就替换，30 比原有值大，则不做任何操作
-
{$max: { 'age': 30}} # 30 比原有值大：就替换，30 比原有值小，则不做任何操作
特例：min 和 max 特例相同，即如果字段不存在，那么，此字段会被添加，并且值就是你设定的值
-
"""
单数组: xx
内嵌数组: xx. 索引
"""
-
原始数据：{'1':1}
M: table.update({'1':1}, {'$addToSet':{'lin':[7,8]}})
P: 同上
结果 => {"1": 1,"lin": [ [7, 8] ]} # [7,8] 整体插入进来，特别注意这是二级列表
-
M: table.update({'1': 1}, {'$addToSet': {'lin': {'$each':[7, 8]} }})
P: 同上
结果 => {"1": 1, "lin": [7,8]} # 7,8 单独插入进来，参考 python 的 * 解构
-
"""
补充说明:
$addToSet: 添加数据有重复，会自动去重
$push : 添加数据有重复，不会去重，而是直接追加
"""原始数据: {'1':1}
M: table.update({ '1': 1},
{
'$push': {
'lin': {'$each': [ {'a': 5, 'b': 8}, {'a': 6, 'b': 7}, {'a': 7, 'b': 6} ],
'$sort': {'a': -1},
'$position': 0,
'$slice': 2
}}}) # 这里为了清晰点，我就把所有括号折叠起来了
P: 同上
结果 => {"1" : 1, "lin" : [ { "a" : 7, "b" : 6}, {"a" : 6, "b" : 7} ] }
终极解析：1. 添加数组：先走 $sort => 根据 a 逆序排列
2. 再走 $position, 0 表示：索引定位从 0 开始
3. 再走 $slice, 2 表示：取 2 个
4. 最后走 $each, 把数组元素逐个放进另一个数组，说过的，相当于 python 的 * 解构操作，
-
M: table.update({'a': a}, {'$pop': {'lin': 1}}) # 删除最后一个
P: 同上
注 1：$pop 参数，1 代表最后一个，- 1 代表第一个。这个是值得注意一下的，容易记反
注 2：如果全部删没了，那么会剩下空[]，而不是彻底删除字段
-
M: table.update({'1': 1},{'$pull':{ 'lin':[7,8]}}) # 删除数组中 [7,8] 这个内嵌数组
P: 同上
-
M: table.update({'1': 1},{'$pullAll':{ 'lin':[ [7,8] ]}}) # 同 $pull，但多了个 []
P: 同上
注：$pull 和 $pullAll 针对于 内嵌文档 和 内嵌数组 有细小差别，差别如下：内嵌数组：$pull 和 $pullAll 都严格要求内嵌数组的 排列顺序，顺序不一致，则不返回
内嵌文档:
$pullAll : 严格要求内嵌文档的顺序，顺序不一致，则 不返回
$pull : 不要求内嵌文档的循序，顺序不一致，一样可以返回
-
哪个字段 设置为 0，此字段就不会被投影，而其他字段全部被投影
哪个字段 设置为 1，此字段就会被单独投影，其他字段不投影
{'name': 0, 'age': 0} # 除了 name 和 age，其他字段 都 投影
{'name': 1, 'age': 1} # 只投影 name 和 age, 其他字段 不 投影，（_id 除外）注意: 所有字段必须满足如下要求：一：你可以不设置，默认都会被投影
二：如果你设置了，就必须同为 0，或者同为 1, 不允许 0，1 混合设置(_id 除外)
三：_id 虽然可以参与混合设置，但是它只可以设为 0，不可以设为 1，因为 1 是它默认的
通俗理解（0 和 1 的设定）：另一种理解思想 ====>
设置为 1：就是 加入 白名单 机制
设置为 0，就是 加入 黑名单 机制
注：_id 字段是 MongoDB 的默认字段，它是会一直被投影的(默认白名单)
但是，当你强制指定 {'_id': 0}，强制把 _id 指定为 0，他就不会被投影了（变为黑名单）语法：M: queryset = table.find({}, {'name': 0})
P: 同上
-
"""针对投影时的 value 为数组的情况下，对此数组切片，然后再投影"""
数据条件：{'arr1': [5,6,7,8,9] }
整形参数：M: queryset = table.find({},{'arr1':{'$slice': 2}}) # 2 表示前 2 个, - 2 表示后两个
P: 同上，一模一样，一字不差
结果: {'arr1': [5,6] }
数组参数：[skip, limit]
M: queryset = table.find({},{'arr1':{'$slice': [2,3]}}) # 跳过前 2 个，取 3 个
P: 同上，一模一样，一字不差
输出结果 => {'arr1': {7,8,9] }
注：这种数组参数，你可以用 skip+limit 方式理解
也可以用, python 的索引 + 切片方式理解（skip 开始查索引（0 开始数）, 然后取 limit 个）
-
"""
针对投影时 的 value 为数组的情况下，根据指定条件 对 数组 过滤，然后再投影
注意这个过滤机制：从前向后找，遇到一个符合条件的就立刻投影(类似 python 正则的 search)
"""数据条件: {'arr1': [6,7,8,9]}
M: queryset = table.find({}, {'arr1': {'$elemMatch': {'$gt':5}} })
P: 同上
输出结果 => "arr1" : [6]
解析：（我自己总结的伪流程，可参考理解）1. 准备投影
2. 发现数组，先处理数组，可看到数组中有 elemMatch 条件
elemMatch 在投影中定义为：”你给我一个条件，我把符合条件的 数组每个元素从前向后筛选
遇到第一个符合条件的就返回, 剩下的都扔掉（这里的返回你可以理解为 return）“3. 把 2 步骤 返回的数据 投影
-
limit:（只取前 n 条）M: queryset = table.find({'name':'lin'}).limit(n) # n 就是取的条数
P: 同上
-
skip:（跳过 n 条，从第 n + 1 条开始取）M: queryset = table.find({'name':'lin'}).skip(n) # 从 0 开始数
P: 同上
解释一下 skip 这个参数 n：假如 n 等于 2，就是从第三个（真实个数）开始取 => 你可以借鉴数组索引的思想 a[2]
-
count:（统计记录数）M: count_num = table.find({'name':'lin'}).skip(1).limit(1).count()
P: count_num = table.count_documents(filter={'name':'lin'}, skip=1, limit=1)
分析：find() -> 查出 3 条数据
skip(1) -> 跳过一条，就是从第二条开始取
limit(1) -> 接着上面的来，从第二条开始取（算本身哦），取一个，实际上取的就是第二条
count() -> 3 # 也许你很惊讶，按常理来说，结果应该为 1(看下面)
count(applySkipLimit=false) # 这是 API 原型，这个参数默认为 False
applySkipLimit: 看名字你就知道这函数作用了吧
默认不写为 False: 不应用(忽略) skip(), limit() 来统计结果 ==> 上例结果为 3
设为 True：结合 skip(), limit() 来统计最终结果 ==> 上例结果为 1
注：对于 count()，Mongo 和 PyMongo 都有此方法，且用法是一模一样的。那为什么上面 PyMongo 中我却用了 count_documents() 而不是 count() ?????
答：因为 运行 或者后 戳进 PyMongo 源码可清晰看见，未来版本 count() API 将要废除。官方建议我们用 count_documents()
它的好处是把 skip() 和 limit() 由两个函数调用 变为 2 个参数传进去了。
-
sort: 排序
M: queryset = table.find({'name':'lin'}).sort({'_id': -1}) # 注意，参数是{} 对象
P: queryset = table.find({'name':'lin'}).sort('_id', -1) # 注意，这是 2 个参数
第一个参数，代表 排序依据的字段属性
第二个参数，代表 升 / 降
1 : 升序 eg: 456
-1: 降序 eg: 654
特别注意：3 连招顺序（优先级要牢记）()
sort -> skip -> limit（排序 - 定位 - 挑选）无论你代码什么顺序，它都会这个顺序执行
eg: queryset = table.find({'name': 'lin'}).sort('_id', -1).skip(1).limit(1)
也许你会有这样一个疑惑：为什么 count_documents 没有放进连招里面？答：你仔细想想，统计个数，和你排不排序有关系吗？没错，一点关系都没有。。。sort() 和 count() 没有联系
-
已有数据条件：{name: ['张','李','王'] }
$all:
M: queryset = table.find({'name': {'$all': ['张','李']}}) # 数组值里必须包含 张和李
P：同上，一模一样，一字不差
$elemMatch：M: queryset = table.find({'name': {'$elemMatch': {'$eq':'张'} }}) # 数组值有张 就行
P: 同上，一模一样，一字不差
-
M: db.xx.find({name: { $regex: /^a/, $options:'i'}} )
P: queryset = db.xx.find({'name': {'$regex': 'LIN', '$options': 'i'}})
PyMongo 版的或者这样写 ->
import re
e1 = re.compile(r'LIN', re.I) # 把 Python 的正则对象 代替 Mongo 语句
queryset = db.xx.find({'name': {'$regex': re1}})
-
-
$name # 具体字段
-
$$CURRENT # 表示管道中，当前操作的文档
-
$literal: '$name' # 此处 $name 原语法被破坏，现在它只是单纯的字符串
-
"""
单个管道，就像 Python 中的 map 等高阶函数原理，分而治之。只不过，MongoDB 善于将管道串联而已。.aggregate([里面写管道各种操作])
"""
-
M: queryset = table.aggregate([{'$match': {'name': 'zhangsan'}}])
P: 同上
-
数据条件 =>
[{"id":'xxx', "name" : "zhangsan", "age" : 15},
{"id":'xxx', "name" : "lisi", "age" : 18},
{"id":'xxx', "name" : "wangwu", "age" : 16}
]
M: queryset = table.aggregate([{'$project': {'_id': 0,'new':'5'}}])
P: 同上
结果 => [{'new': '5'}, {'new': '5'}, {'new': '5'}]
注：'new' 是在投影的时候新加的，会被投影。但是加了此新值，除了_id，其他属性默认都不会被投影了
-
-
M: queryset = table.aggregate([{'$skip': 1},{'$limit':1}])
P: 同上
解释：一共三条文档，skip 跳过了第一条，从第二条开始取，limit 取一条，所以最终取的是第二条
-
M: queryset = table.aggregate([{'$sort':{'age':1}}])
P: 同上
-
数据条件 => {"name" : "Tom", "hobby" : [ "sing", "dance"]}
path 小参数:
M: table.aggregate([{'$unwind':{'path': '$hobby'}}]) # 注意 path 是语法关键词
P: 同上
结果 =>
{"_id" : xx, "name" : "Tom", "hobby" : "sing"}
{"_id" : xx, "name" : "Tom", "hobby" : "dance"}
形象例子：a * [b+c] => a*b + a*c
includeArrayIndex 小参数：M: queryset = table.aggregate([{'$unwind': {
'path':'$hobby',
'includeArrayIndex':'index' # 展开的同时会新增 index 字段记录原索引
}}])
P: 同上
结果 =>
{"name" : "Tom", "hobby" : "sing", "index" : NumberLong(0) }
{"name" : "Tom", "hobby" : "dance", "index" : NumberLong(1) }
注意：$unwind 上面有两种特殊情况：情况一：文档中无 hobby 字段 或 hobby 字段为 空数组[]
那么该文档不参与 unwind 展开操作，自然就不会显示结果。若想让这种文档也参与 unwind 展开操作, 那么需要追加小参数
'preserveNullAndEmptyArrays':true # 与 path 同级书写
最终结果，这种字段的文档也会被展示出来，并且 index 会被赋予一个 null 值
情况二：文档中有 hobby 字段，但是该字段的值并不是数组
那么该文档 会 参与 unwind 展开操作，并且会显示出来，同样 index 会被赋予一个 null 值
-
使用方式（一）：集合关联 ===> 我的理解是，相当于关系型数据库的 多表查询机制
集合 <=> 表，多表查询 <=> 多集合查询
自身集合 与 外集合 根据我们指定的 关联字段 关联后，如有关联，则新字段的值为 [外集合的关联文档，。。。]，有几条文档关联，这个数组就会有几条
废话不多说，先重新创建两个集合：db.user.insertOne({'name':'猫', 'country': ['China','USA']}) # 一条
db.country.insertMany([{'name':'China'}, {'name':'USA'}]) # 两条
table = db.user # 看好，我赋值了一下，下面直接写 table 就行了
M: queryset = table.aggregate([{
'$lookup': {
'from': 'country', # 需要连接的另外一个集合的名称（外集合）'localField': 'country', #（主集合）连接的 依据 字段
'foreignField': 'name', #（外集合）连接的 依据 字段
'as': 'new_field' # 最终关联后查询出来的数据，生成新字段，as 用来起名
}
}])
P: 同上
结果 =>
{"_id" : ObjectId("5d2a6f4dee909cc7dc316bf1"),
"name" : "猫",
"country" : [
"China",
"USA"
], # 这行之前应该不用解释，这就是 user 集合本身的数据，没变
"new_field" : [ # 这行是新加的字段，后面解释
{"_id" : ObjectId("5d2a6fcbee909cc7dc316bf2"),
"name" : "China"
},
{"_id" : ObjectId("5d2a6fcbee909cc7dc316bf3"),
"name" : "USA"
}
]
}
解释：1. new_field 是我们新添加的字段
2. 因为 user 集合和 country 集合 我们给出了 2 个依据关联字段
并且这两个关联字段 'China' 和 'USA' 的值都相等
所以最终 user 集合的 new_field 字段中 会添加 两条 country 集合的文档 到 [] 中
3. 如果无关联, 那么 new_field 字段中的值 为 空[]
-
使用方式二：不做集合的关联，而是直接把（外集合）经过条件筛选，作为新字段放到（主集合）中。M: queryset = table.aggregate([{
'$lookup': {
'from': 'country', # 外集合
'let': {'coun': '$country'}, # 使（主集合）的变量 可以放在（外集合）使用
'pipeline': [{ # 外集合的专属管道，里面只可以用外集合的属性
'$match': { # 因为设置了 let，所以这里面可以用主集合变量
'$expr': { # $expr 使得 $match 里面可以使用 聚合操作
'$and': [{'$eq': ['$name', 'China']}, # 注意，这是聚合的 $eq 用法
{'$eq': ['$$coun',['China', 'USA']]}
]
}
}
}],
'as': 'new_field'
}
}])
P: 同上
解释：把（外集合）pipeline 里面按各种条件 查到的文档，作为（主集合）new_field 的值。当然，如果不需要主集合中的属性，可以舍弃 let 字段
-
用法 1（分组 -- 统计字段种类）M: queryset = table.aggregate([{'$group': {'_id': '$name'}}]) # _id 是固定写法
P: 同上
结果 => [{'_id': '老鼠'}, {'_id': '狗'}, {'_id': '猫'}]
用法 2（分组 -- 聚合）数据条件：{"name" : "猫", "country" : [ "China", "USA"], "age" : 18 }
{"name" : "狗", "country" : "Japna"}
{"name" : "老鼠", "country" : "Korea", "age" : 12}
{"name" : "猫", "country" : "Japna"}
M: queryset = table.aggregate([{
'$group': {
'_id': '$name', # 根据 name 字段分组
'type_count': {'$sum': 1}, # 统计每个分类的 个数
'ageCount': {'$sum': '$age'}, # 统计 age 字段的 数字和
'ageAvg': {'$avg': '$age'}, # 统计 age 字段的 平均值
'ageMin': {'$min': '$age'}, # 统计 age 字段的 最小值
'ageMax': {'$max': '$age'}, # 统计 age 字段的 最大值
}
}])
p: 同上
结果:
{
"_id" : "老鼠",
"type_count" : 1,
"ageCount" : 12,
"ageAvg" : 12,
"ageMin" : 12,
"ageMax" : 12
}
{
"_id" : "狗",
"type_count" : 1,
"ageCount" : 0,
"ageAvg" : null,
"ageMin" : null,
"ageMax" : null
}
{
"_id" : "猫",
"type_count" : 2,
"ageCount" : 18,
"ageAvg" : 18,
"ageMin" : 18,
"ageMax" : 18
}
注意：若想直接对整个集合的 做统计，而不是分组再统计
把 _id 改为 null 即可 {_id: 'null'}
# (或者随便写一个匹配不到的 字符串或数字都行，分不了组，就自动给你统计整个集合了)
-
"""
我的理解是重定向 操作，或者理解为 视图 操作
写入的集合如果存在，那么会全部覆盖（但保留索引）聚合过程遇到错误，那么会自动执行’回滚’操作
"""
M:
table.aggregate([{ '$group': {'_id': '$name'} },
{'$out': 'newCollection'}
])
P: 同上
最后验证：db.newCollection.find()，你就会看到新集合 及其 里面的内容
聚合管道 ==> 第二个参数
table.aggregate([之前说的都是这里面的参数], 下面说这个参数)
allowDiskUse: true
每个聚合管道占用内存需 < 16M，过大就会出问题
allowDiskUse 设置为 true，会将内存的 写入到临时文件中，减缓内存压力。官方文档：write data to the _tmp subdirectory in the dbPath directory
Default: /data/db on Linux and macOS, \data\db on Windows
它说：默认在 dbPath 配置变量下的 子目录_tmp 下，dbPath 默认为 : /data/db
M:
queryset = table.aggregate([{'$group': {'_id': '$name'}}],
{'allowDiskUse': true}
)
P:
queryset = table.aggregate([{'$group': {'_id': '$name'}}],
allowDiskUse=True, # 注意，这里语法稍有不一样
)
-
-
M: table.createIndex({'name':1})
P: table.create_index([('name',-1)]) # - 1 代表逆序索引，注意是元组
-
索引命中：最左匹配原则 eg 1,2，3 这三个创建联合索引，可命中索引为：【1,12,123】M: table.createIndex({'name':1}, {}, {} ) # 多个{}
P: table.create_index([('name',-1), (), () ]) # 多个元组
-
多键是针对于数组来讲的，创建单键的字段 指定为 数组字段，默认就会设置为多键索引
-
'''注意：如果集合中，不同文档的字段有重复，创建唯一索引的时候会报错'''
M: table.createIndex({'name':1}, {'unique':true})
P: table.create_index([('name', 1),('counrty',1)], unique=True)
-
eg:
一个集合中：给 name 创建 唯一索引
插入文档 1: 有 name 字段
插入文档 2: 无 name 字段（MongoDB 会在索引库中，把没有的字段的 索引设为 {字段:null}）再插入文档 3, 无 name 字段 --> 同样也会把索引库中 name 设为 null
但是就在这个时候，刚要把索引库中的 name 字段设为 null 的时候。。。唯一索引告诉你：”我这里已经有了一个，{name:null}，请你滚”然后就无情的给你报错了（重复索引字段）那咋整啊，别急，稀疏索引就是给你办这事的
设置稀疏索引。MongoDB 就不会把 没有的字段 加入到索引库了
所以，索引库里面就不会自动添加 {字段: null}
重新再次插入文档 3，无 name 字段，可成功插入，不存在 null 的重复问题了
M: table.createIndex({'name':1}, {'unique':true, 'sparse':true})
P: table.create_index([('name', 1),('counrty',1)], unique=True, sparse=True)
-
M：queryset = table.getIndexes()
P: queryset = table.list_indexes()
-
方式 1：M: table.dropIndex('索引名') # 索引名可通过 上面查询索引的指令查
P: table.drop_index('索引名')
方式 2：M: table.dropIndexes() # 删除全部，_id 除外，想指定删除多个，可用列表列出
P: table.drop_indexes()
-
table. 上面说过的任一函数().explain() # 链式调用 explain，表示列出此操作的性能
eg:
M: queryset = table.explain().find({'name':'猫'})
P: 同上
结果中找到：queryPlanner -> winningPlan -> inputStage -> stage # stage 结果对应说明如下
COLLSCAN # 未优化，还是搜的整个集合
IXSCAN # 索引起到作用
索引对投影的优化：queryPlanner -> winningPlan -> stage # stage 结果对应说明如下
FETCH # 索引 对投影 未优化
PROJECTION # 索引 对投影 起到优化作用
索引对排序的优化：同上 stage 最好 不是 sort
按索引 正序（逆序）取数据，这样就有效避免了机械排序的过程