利用MongoDB存储scrapy的数据

之前scrapy都是存储在文件中，该考虑一下数据库了。
当前工作爬取的内容（不是前面说的豆瓣小组）实际上很多都是文档型的，类似于文章+评论的样式，其中文章又包括标题、作者、地址等。使用传统关系数据库当然也可以，使用ID和外键连接就可以了。但既然有了文档型的非关系数据库，就试试吧。
选择了MongoDB，网上查了下，主要特性如下：

• 面向集合（Collenction-Oriented）：意思是数据被分组存储在数据集中，被称为一个集合（Collenction)。每个集合在数据库中都有一个唯一的标识名，并且可以包含无限数目的文档。集合的概念类似关系型数据库（RDBMS）里的表（table）。
• 模式自由（schema-free)：意味着对于存储在mongodb数据库中的文件，我们不需要知道它的任何结构定义。如果需要的话，你完全可以把不同结构的文件存储在同一个数据库里。
• 查询与索引方式灵活，是最像SQL的Nosql

MongoDB支持多种语言，这里结合scrapy，选择python，文档地址在这里
简单地说，mongodb中包含三元素：数据库、集合（collection）、文档（document），其中“集合”就是对应关系数据库中的“表”，“文档”对应“行”。

试用了一下，感觉使用起来不要太简单！！！

• 安装MongoDB，可以从官网直接下载安装适合自己系统的版本。

• 运行：

  1. 创建数据文件夹：默认是在\data\db目录下，自己新建了一个数据文件夹E:\MongoDB
  2. 指定数据文件夹：我的MongoDB安装后.exe文件位于C:\Program Files\MongoDB\Server\3.0\bin下，使用命令行运行db服务：
     C:\Program Files\MongoDB\Server\3.0\bin\mongod.exe --dbpath E:\MongoDB
     如果目录中有空格，则需要用“”将整个目录包起来

• 使用：
  结合我们之前的工作，在pipeline里将数据存储到mongodb中，修改pipelines.py，老规矩，贴代码：

from pymongo import MongoClient

class MongoDBPipeline(object):
    def __init__(self):
        client = MongoClient()
        self.db = client.primer

    def process_item(self, item, spider):
        self.db.post.insert(dict(item))
        return item

我使用的是3.0版本，不同版本的代码不同，具体的注意查看文档。
首先申明了一个client，然后定义了数据库，名字叫做“primer”，需要注意的是这里的primer可以是原本不存在的，这种情况下会新建一个。也可以使用另外一种写法db = client['primer']
在处理item的时候，执行了insert操作，这里定义了collection为“post”，和之前数据库定义一样，如果post不存在则新建，将dict格式的item插入数据库中。
ok，这就完成了，简单的有点难以置信……
去看看数据库吧，的确存在了…………

附一个挺好用的mongo客户端： Robomongo