《大数据存储与管理》课程作业（MongoDB）

1  应用场景

假设我是胡润百富榜的后台数据库管理人员，负责增删查改富豪信息，对富豪信息做一些统计。我需要管理一个数据库，其中包含有关每个富豪的信息，包括姓名、出生地、财富总额、公司名称、行业、年份等信息。以下是一些应用场景：

• 增加新的富豪信息

如果有新的富豪被添加到胡润百富榜中，我需要将他们的信息添加到数据库中。我可以创建一个表格，包括富豪的姓名、国籍、财富总额、公司名称、行业、财富来源等信息。我需要确保所有的信息都被正确添加到数据库中。

• 删除富豪信息

如果富豪从胡润百富榜中被删除，我需要从数据库中删除他们的信息。我需要确定要删除的富豪的姓名或其他唯一标识符，然后从数据库中删除他们的信息。

• 更新富豪信息

如果富豪的信息有所更改，例如财富总额发生变化，我需要更新他们的信息。我需要确定要更新的富豪的姓名或其他唯一标识符，然后将他们的信息更新到数据库中。

• 查询富豪信息

我需要能够查询富豪的信息。我需要能够根据富豪的姓名、国籍、行业等信息来查询富豪。我需要确保查询结果是准确的，并且可以满足不同类型的查询需求。

• 统计富豪信息

除了管理和查询富豪的信息之外，我还需要对富豪的信息进行一些统计。例如，我可能需要统计不同国籍、行业或性别的富豪的数量、平均财富、最大财富等信息。我需要确保统计结果是准确的，并且可以满足不同类型的统计需求。

2  数据库选择

针对上述应用场景，本次大作业我选择使用MongoDB数据库。

当选择数据储存方式时，需要考虑数据的特点以及数据库本身的特点，下面结合胡润百富榜数据的特点和MongoDB数据库的特点，解释我为什么选择MongoDB储存数据，以及为什么不选择其他数据库。

1. 数据特点：胡润百富榜数据集包括大量非结构化数据，例如富豪的公司名、行业、出生地等信息，这些数据具有不确定性和可变性，不适合使用关系型数据库进行存储，并且通过观察图2.1发现胡润百富榜的数据是json结构，最适合使用MongoDB数据库。
2. MongoDB的特点：MongoDB是一种面向文档的数据库，具有高度的可扩展性和强大的查询和索引功能，可以更好地处理非结构化数据集和大规模数据集。此外，MongoDB还支持副本集和分片等高可用性和负载均衡的功能，可以更好地满足大规模应用程序的需求。

基于以上分析，选择MongoDB作为胡润百富榜数据集的储存方式，具有以下优点：

1. 面向文档的数据模型：MongoDB的面向文档的数据模型可以更好地适应非结构化数据的存储和管理，例如富豪的公司名、行业、出生地等信息。
2. 高度可扩展性：MongoDB的分布式架构和可扩展性，可以轻松扩展存储空间和支持高并发的读写操作，这非常适合胡润百富榜这种大规模的数据集。
3. 强大的查询和索引功能：MongoDB支持多种类型的索引，包括文本索引、地理空间索引和哈希索引等，可以更好地满足不同类型的查询需求，而且查询操作非常快速。
4. 高性能的读写操作：MongoDB采用内存映射的方式进行数据读写，可以快速读取和写入大量数据，而且支持多种高可用性和负载均衡的功能。
5. 相比之下，关系型数据库例如MySQL，虽然可以进行数据建模和约束，但是不适合处理非结构化数据和大规模数据集，对于胡润百富榜这种数据集，使用MySQL等关系型数据库，需要对数据进行严格规范化和模式化处理，会降低数据存储和管理的灵活性和效率。因此，选择MongoDB作为储存方式是比较合适的。

3  数据库安装与启动 

见本人博客MongoDB的安装配置与操作  

4  数据操作过程与结果 

 1.使用Python把爬取的富豪数据从csv文件存储到MongoDB中的代码如下，结果如图4.1所示，爬虫爬取的数据包含的字段如图4.2所示：

import pandas as pd
from pymongo import MongoClient
client = MongoClient('mongodb://localhost:27017/')
db = client['mydatabase']
collection = db['mycollection']
df = pd.read_csv('2021胡润百富榜.csv')
for index, row in df.iterrows():
    data_dict = dict(row)
    collection.insert_one(data_dict)

图4.1 爬取数据展示 

 

 图4.2 字段展示

2.单个文档插入

3.批量插入

4.删除单个文档

5.批量删除

6.查询所有信息

7.条件查询

8.查询符合条件的第一条数据

9.投影查询

10.文档修改

11.批量修改

12.统计查询

13.按条件统计记录数

14.分页查询

15.排序查询

16.正则的复杂条件查询

17.比较查询

18.包含查询

19.条件链接查询

20.查看插入索引前根据年龄查询数据的情况

21.单字段索引

22.查看插入索引后根据年龄查询数据的情况

5  分析与总结 

在本次大数据储存与管理大作业中，我选择了胡润百富数据的存储管理作为应用场景，使用Python爬虫爬取了胡润百富榜单中的富豪信息，并将数据存储在MongoDB数据库中。通过这个案例，我深入了解了MongoDB的各种功能和操作方法，能够完成CRUD操作，能够通过聚合管道对数据进行一些操作，如使用countDocuments()进行统计查询、使用skip()和limit()完成分页查询功能、使用sort()对数据进行排序查询等。使用高山老师讲解的三板斧的方法，db.集合名.操作，可以让我在进行操作时更加清晰。

在完成这个项目的过程中，我遇到了一些问题。比如使用use xxx创建数据库后show dbs后不出现刚创建的的数据库，是因为还没有一个集合存在数据库中，目前数据库是在内存当中，还没有持久化到硬盘，插入一个文档后会持久化到硬盘。我也通过一些博客了解到了使用insertMany插入多条数据时，可能会由于数据较多出现失败，如果某条数据插入失败，将会终止插入，但已插入成功的数据不会回滚掉，可以通过js语法try catch语句解决。

通过这次作业，我深刻认识到MongoDB数据库的强大和适用场景，以及如何在实际应用中使用MongoDB。我也了解到了如果没有索引，MongoDB必须执行全集合扫描，即扫描集合中的每个文档，以选择与查询语句匹配的文档。这种扫描全集合的查询效率是非常低的，特别在处理大量的数据时，查询可以要花费几十秒甚至几分钟，这对网站的性能是非常致命的，如果查询存在适当的索引，MongoDB可以使用该索引限制必须检查的文档数，所以我在最后的操作中给年龄字段添加了索引，并给出了插入索引前后查询数据的情况对比。所以在学习这门课程的过程中，我不仅学习了MongoDB的基本知识和操作，还学习了数据库设计和优化的相关知识，对我未来的开发工作具有很大的帮助。

总之，这门课程让我受益匪浅，让我对数据库有了更深入的了解和认识。同时，通过使用Python爬虫将数据存储到MongoDB中，我也掌握了使用Python爬虫爬取数据并将数据存储到数据库中的方法。我相信，在今后的学习和工作中，我会继续深入学习数据库相关知识，为我的职业生涯打下坚实的基础。

参考文献

1. 袁燕妮. NoSQL数据库技术[M]．北京：北京邮电大学出版社, 2020.
2. MongoDB官方手册[OL]. What is MongoDB? — MongoDB Manual.
3. 黑马程序员. NoSQL数据库技术与应用[M]. 北京：清华大学出版社,2020.
4. MongoDB教程[OL].MongoDB 教程 | 菜鸟教程 (runoob.com)
5. 黑马程序员.MongoDB基础入门到高级进阶[OL].MongoDB简介&体系结构&数据模型&特点_哔哩哔哩_bilibili