一、为啥 Python 要和 MongoDB “牵手”

在如今这个数据爆炸的时代，数据的存储与处理可是重中之重。Python 作为一门超火的编程语言，凭借其简洁的语法、丰富的库，在数据分析、Web 开发、人工智能等诸多领域那是大显身手。而 MongoDB 呢，作为一款高性能的 NoSQL 数据库，以其灵活的文档结构、强大的查询能力以及出色的扩展性，广受开发者青睐。

当 Python 遇上 MongoDB，那可真是强强联合。Python 处理数据的本事加上 MongoDB 存储管理数据的能力，无论是应对海量的非结构化数据，还是处理高并发的读写请求，都能轻松搞定。打个比方，在开发一个社交媒体应用时，用户产生的动态、评论、点赞等各类半结构化甚至非结构化数据，用 MongoDB 存储，再借助 Python 进行数据的分析、筛选、推送，完美！而让它们紧密协作的 “大功臣”，就是咱们今天的主角 ——PyMongo 。

二、PyMongo 安装 “三步走”

（一）确认 Python 环境

在开始安装 PyMongo 之前，得先把 Python 环境整明白。打开命令提示符（Windows 系统）或者终端（Mac、Linux 系统），输入 “python --version”，看看弹出来的 Python 版本是不是 3.6 及以上。要是版本过低，那就得去 Python 官网（
https://www.python.org/downloads/）下载最新版安装咯。

另外，还得瞅瞅 PIP 工具在不在，它可是 Python 的包管理利器，安装 PyMongo 全靠它。通常来讲，Python 安装完，PIP 也跟着就位了。在命令行敲入 “pip --version”，要是有版本信息冒出来，那就妥了；要是报错说 “找不到命令” 之类的，那还得重新安装或配置下 PIP 。

（二）安装指令下达

环境都确认无误后，就可以安装 PyMongo 啦。在命令行输入 “pip install pymongo”，回车，PIP 就会自动从 Python 官方源下载 PyMongo 并安装。这过程可能得等会儿，要是网络不太给力，下载速度慢得像蜗牛爬，或者直接报错，别慌！咱们可以换国内的镜像源来加速，像清华源，在命令行输入 “pip install pymongo -i
https://pypi.tuna.tsinghua.edu.cn/simple”，用国内源下载安装包，那速度，蹭蹭的！

（三）安装成功验证

安装完心里还是有点打鼓，到底成没成功呢？简单，写几行代码测试下。打开文本编辑器，输入以下代码：

import pymongo

print("PyMongo安装成功！")

保存成 “test_pymongo.py”，在命令行切换到该文件所在目录，运行 “python test_pymongo.py”，要是屏幕上跳出 “PyMongo 安装成功！”，那就恭喜，安装到位，可以开启后续的 MongoDB 探索之旅啦！要是报错，提示找不到 “pymongo” 模块，那就得仔细检查前面的安装步骤，看看是不是哪里出了岔子。

三、MongoDB 数据库创建与查看

（一）创建数据库实例

安装好 PyMongo，接下来就步入实战环节，先看看怎么创建数据库。在 Python 代码里，创建数据库就像搭积木一样简单。运行下面这段代码：

from pymongo import MongoClient

# 连接本地MongoDB，默认端口27017

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

# 创建或获取名为 mydatabase 的数据库

mydb = client['mydatabase']

这里的 MongoClient('
mongodb://localhost:27017/') 作用可大了，它就像是一把钥匙，用来打开本地运行在 27017 端口的 MongoDB 服务器大门。要是 MongoDB 部署在远程服务器，把 “localhost” 换成对应的 IP 地址就行，比如 MongoClient('
mongodb://192.168.1.100:27017/') ，这样就能远程操控数据库啦。而 client['mydatabase'] 呢，相当于在服务器里指名道姓要找 “mydatabase” 这个数据库，如果它不存在，MongoDB 就会贴心地帮咱们创建一个新的，是不是超方便？

（二）查看数据库列表

数据库创建好了，怎么知道它是不是稳稳地在那儿呢？查看数据库列表就能一目了然。接着上面的代码，加几行：

# 查看所有数据库名称列表

dblist = client.list_database_names()

print(dblist)

运行之后，屏幕上会打印出一系列数据库名称，像 “admin”“local”“mydatabase” 等。要是在列表里瞅见咱们刚创建的 “mydatabase”，那就说明创建成功，稳稳入库啦。这里 list_database_names() 方法就像是个数据库管家，把所有数据库的名字整整齐齐地列出来汇报给咱们。不过要注意，要是刚创建数据库，还没往里塞任何数据，在有些 MongoDB 版本里，这个新数据库可能不会立马出现在列表里，得等插入第一条数据后，它才会正式 “现身” 。

四、集合操作 “大揭秘”

（一）集合创建技巧

有了数据库，就该轮到集合登场啦。在 MongoDB 里，集合就好比是装数据的 “箱子”，不同类型的数据可以放在不同集合里，方便管理。创建集合也是易如反掌，看代码：

# 在 mydatabase 数据库里创建名为 mycollection 的集合

mycol = mydb['mycollection']

就这么一行，指定数据库对象 mydb 以及集合名称 mycollection ，要是 mycollection 不存在，MongoDB 二话不说，立马创建。不过要留心，MongoDB 有个 “小脾气”：集合在没有插入内容之前，它在数据库里可能只是个 “隐形” 的存在，只有插入第一条数据后，才会实实在在地落地生根。这一点和传统数据库不太一样，别误解了。

（二）集合存在性核验

有时候咱们不确定集合到底有没有创建成功，咋办？核实一下就行。运行下面的代码：

# 查看 mydatabase 数据库下所有集合名称列表

collist = mydb.list_collection_names()

if "mycollection" in collist:

print("集合已存在！")

else:

print("集合不存在！")

这里 list_collection_names() 方法就像个 “侦探”，把指定数据库（这里是 mydb ）下所有集合的名字都找出来，咱们再通过简单的判断语句，看看目标集合在不在其中，这样就能精准知晓集合的创建情况，避免后续操作 “踩坑” 。

五、文档插入实战

（一）单文档插入

数据存储的关键一步就是把文档插入集合。在 PyMongo 里，插入单条数据用的是 insert_one 方法，超简单。看下面的代码：

from pymongo import MongoClient

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

mydb = client['mydatabase']

mycol = mydb['mycollection']

document = { "name": "Alice", "age": 25, "city": "New York" }

result = mycol.insert_one(document)

print("插入文档的_id:", result.inserted_id)

运行之后，数据 {"name": "Alice", "age": 25, "city": "New York"} 就乖乖地进了 mycollection 集合。这里 insert_one 方法返回的 result 是个 InsertOneResult 对象，从它的 inserted_id 属性就能拿到新插入文档的主键 _id ，这在后续操作里用处可大了，比如根据 _id 查找、更新或删除特定文档。

（二）多文档批量插入

要是有成堆的数据要一股脑儿塞进数据库，一条一条插，那效率可就低得够呛。这时候， insert_many 方法就派上大用场啦。瞅瞅下面的代码：

from pymongo import MongoClient

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

mydb = client['mydatabase']

mycol = mydb['mycollection']

documents = [

{ "name": "Bob", "age": 30, "city": "London" },

{ "name": "Charlie", "age": 35, "city": "Paris" },

{ "name": "David", "age": 40, "city": "Tokyo" }

]

result = mycol.insert_many(documents)

print("插入文档的_ids:", result.inserted_ids)

把要插入的文档都打包成列表，丢给 insert_many 方法，瞬间就能全部入库。它返回的 result 是 InsertManyResult 类型， inserted_ids 属性里存着插入文档的 _id 列表，方便咱后续核查。和单文档插入比起来，批量插入减少了多次网络请求开销，数据量大的时候，速度提升那叫一个明显，能帮咱节省大把时间，干活更高效！

六、查询操作 “搜” 你想看

（一）单文档精准查询

数据存进去了，要是想把它找出来，咋办呢？PyMongo 给咱们提供了超实用的查询方法。比如说，只想查找集合里符合特定条件的某一个文档，那就用 find_one 方法。来看看示例：

from pymongo import MongoClient

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

mydb = client['mydatabase']

mycol = mydb['mycollection']

query = { "name": "Alice" }

result = mycol.find_one(query)

if result:

print(result)

else:

print("未找到符合条件的文档")

这里咱们设置查询条件 {"name": "Alice"} ，意思就是在 mycollection 集合里找名字叫 “Alice” 的文档。 find_one 方法找到第一个匹配的就停，要是找到了，就把整个文档打印出来；要是没找到，就给个友好提示 “未找到符合条件的文档”。这在咱们只需要特定单条数据，比如根据用户 ID 找用户详细信息的时候，特别管用，精准又高效。

（二）多文档全面查询

要是想把集合里满足某些条件的所有文档都翻出来， find 方法就该登场啦。它会返回一个游标（Cursor）对象，能像翻阅书籍一样遍历所有符合条件的文档。瞅瞅下面的代码：

from pymongo import MongoClient

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

mydb = client['mydatabase']

mycol = mydb['mycollection']

query = { "age": { "$gt": 30 } }

results = mycol.find(query)

for result in results:

print(result)

这次查询条件变成了 {"age": {"$gt": 30}} ，也就是找出年龄大于 30 岁的所有文档。通过 for 循环遍历 find 方法返回的游标，把每个符合条件的文档依次打印。要是想筛选出特定几个字段返回，而不是整个文档一股脑儿都要，也没问题，给 find 方法再加个参数就行，像这样：

projection = { "_id": 0, "name": 1, "age": 1 }

results = mycol.find(query, projection)

这里 projection 定义了返回结果里只要 “name” 和 “age” 字段，_id 字段不要（_id 默认是返回的，要是不想显示，得专门指定 _id: 0 ）。如此一来，查询结果就更精简，符合咱们按需索取数据的需求，避免拿一堆暂时用不上的数据，占用资源还拖慢速度。

七、更新文档有妙招

（一）单条更新

数据可不是一成不变的，有时候咱们得更新文档里的内容。要是只改一条数据，就用 update_one 方法。比如说，想把名字叫 “Alice” 的用户年龄改成 30 岁，代码这么写：

from pymongo import MongoClient

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

mydb = client['mydatabase']

mycol = mydb['mycollection']

query = { "name": "Alice" }

new_values = { "$set": { "age": 30 } }

result = mycol.update_one(query, new_values)

print("匹配的文档数:", result.matched_count)

print("修改的文档数:", result.modified_count)

这里 query 就是更新的条件，得精准定位到要改的那条文档， new_values 里用 $set 操作符指明要修改的字段和新值。运行完，通过 result 对象的 matched_count 和 modified_count 属性，能清楚知道到底有多少文档匹配条件以及实际被修改了，方便咱核对操作是否按预期进行。

（二）批量更新

要是一堆文档都需要更新，比如把所有城市为 “New York” 的用户的地址字段补充上详细邮编，一条一条改可就费劲了，这时候 update_many 方法闪亮登场。示例代码如下：

from pymongo import MongoClient

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

mydb = client['mydatabase']

mycol = mydb['mycollection']

query = { "city": "New York" }

new_values = { "$set": { "zipcode": "10001" } }

result = mycol.update_many(query, new_values)

print("匹配的文档数:", result.matched_count)

print("修改的文档数:", result.modified_count)

和单条更新类似，设置好更新条件 query 和新值 new_values ， update_many 就会把所有符合条件的文档一股脑儿更新了。不过要小心，这批量操作威力巨大，更新前一定得再三确认条件设对了，不然改错一大批数据，那可就麻烦大了，要是没有备份，哭都来不及。

八、文档删除 “干干净净”

（一）删除单个文档

数据有时效性，过期的数据留着也是占地方，得删掉。要是只想删一条数据，就轮到 delete_one 方法登场啦。比如说，咱们想把之前插入的名字叫 “Bob” 的用户数据删掉，代码如下：

from pymongo import MongoClient

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

mydb = client['mydatabase']

mycol = mydb['mycollection']

query = { "name": "Bob" }

result = mycol.delete_one(query)

print("删除的文档数:", result.deleted_count)

这里咱们构建查询条件 {"name": "Bob"} ，精准定位到要删的那条文档， delete_one 方法就会把符合条件的第一个文档移除。运行完，通过 result 对象的 deleted_count 属性，能知道到底有没有删成功，要是返回 1 ，就说明删了一条，要是 0 ，那可能是条件设错，没找到匹配的文档，得检查下条件是不是符合数据实际情况，避免误删或漏删，守护数据安全。

（二）批量删除文档

要是有一堆过期数据要清理，一条一条删可就太费劲了， delete_many 方法能帮咱们批量搞定。比如说，想把年龄小于 20 岁的所有用户数据都删掉，示例代码如下：

from pymongo import MongoClient

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

mydb = client['mydatabase']

mycol = mydb['mycollection']

query = { "age": { "$lt": 20 } }

result = mycol.delete_many(query)

print("删除的文档数:", result.deleted_count)

设置好查询条件 {"age": {"$lt": 20}} ， delete_many 方法就会像个 “清道夫”，把满足条件的所有文档一扫而光。不过这批量删除威力巨大，操作前务必反复确认条件，要是不小心删错一大批数据，那可就麻烦大了，数据无价，谨慎操作永远是上策！

九、总结与拓展

到这儿，Python 连接 MongoDB 使用 PyMongo 的基础操作就都跟大家掰扯清楚啦！咱们从安装 PyMongo 入手，一步步学会了创建数据库、集合，插入、查询、更新、删除文档这些 “基本功”。这一套流程下来，相信大家已经能搭建起自己的数据存储与管理小天地，不管是处理日常小项目的数据，还是为大型应用开发打基础，都不在话下。

不过呢，这只是冰山一角，MongoDB 和 PyMongo 的潜力可大着呢！往后大家可以深入探索聚合管道，用它来实现复杂的数据统计、分组分析，就像分析电商平台不同品类商品的销售总额、各个年龄段用户的消费偏好等。还有索引优化，合理设置索引能让查询速度飞起来，面对海量数据也能快速响应。另外，MongoDB 的分布式特性、地理空间查询等高级功能，也等待大家去挖掘，在开发涉及地图、多地区业务的应用时，这些功能就是 “秘密武器”。希望大家保持探索热情，在 Python 与 MongoDB 结合的编程海洋里畅游，创造出更多厉害的数据驱动应用！

Tags：windows mongodb安装与配置