python mongo存在插入不存在更新，同時指定如果不存在才插入的字段

python爬蟲的任務數據操作的小技巧

好久沒寫公眾號了，最近太忙了，這里就不多說了。直接根據需求上代碼，我想這個應該是大家比較喜歡的，

需求

爬取某網站的項目列表頁，獲取其url，標題等信息，作為后續爬取詳情頁的任務url。

先上代碼

代碼

# -*- coding: utf-8 -*-
# @Time : 2019-11-08 14:04
# @Author : cxa
# @File : motor_helper.py
# @Software: PyCharm

import asyncio 
import datetime
from loguru import logger
from motor.motor_asyncio import AsyncIOMotorClient
from collections import Iterable

try:
    import uvloop

    asyncio.set_event_loop_policy(uvloop.EventLoopPolicy())
except ImportError:
    pass

db_configs = {
    'host': '127.0.0.1',
    'port': '27017',
    'db_name': 'mafengwo',
    'user': ''
}

class MotorOperation:
    def __init__(self):
        self.__dict__.update(**db_configs)
        if self.user:
            self.motor_uri = f"mongodb://{self.user}:{self.passwd}@{self.host}:{self.port}/{self.db_name}?authSource={self.db_name}"
        else:
            self.motor_uri = f"mongodb://{self.host}:{self.port}/{self.db_name}"
        self.client = AsyncIOMotorClient(self.motor_uri)
        self.mb = self.client[self.db_name]
    async def save_data_with_status(self, items, col="seed_data"):
        for item in items:
            data = dict()
            data["update_time"] = datetime.datetime.now()
            data["status"] = 0  # 0初始
            data.update(item)
            print("data", data)
            await self.mb[col].update_one({
                "url": item.get("url")},
                {'$set': data, '$setOnInsert': {'create_time': datetime.datetime.now()}},
                upsert=True)

     async def add_index(self, col="seed_data"):
        # 添加索引
        await self.mb[col].create_index('url')

因為我的爬蟲是異步網絡模塊aiohttp寫的，所以選擇了pymongo的異步版本motor進行操作。
異步代碼的基本屬性就是async/await成對的出現，如果把上面的await和async去掉，就是類似pymongo的寫法了,這里異步不是重點，重點是我們怎么處理每條數據。

這里除了網頁的url，標題等信息，我需要附加3個字段。分別是create_time, status,update_time。
這三個字段分別代表，數據插入數據，狀態和更新時間。

那么我為什么添加三個字段呢？

首先，我們需要判斷每次的任務數據是否存在，我這里的情況是存在就更新不存在就插入，那么我就需要一個查詢條件，作為更新的條件，很顯然這里可以使用任務的url作為唯一條件(你還可以使用url+標題做個md5然后保存)。好了查詢條件確定，
下面說create_time這個比較好理解就是數據插入時間,關鍵是為什么還要一個update_time，這個的話和status字段有一定的關系。 畫重點：這個status作為后續爬蟲進行爬取的一個標志用。目前這個status有4個值，0-4，我這是這樣定義的，
0:初始狀態 1:抓取中的任務 2:抓取成功 3:抓取失敗 4:抓取成功但是沒有匹配到任務。
后面隨着任務的爬取，狀態也是不斷變化的，同時我們需要更新update_time為最新的時間。這個目前的話是體現不出來什么作用，它的使用場景是，重復任務的抓取，比如今天我抓取了任務列表里的url1,url2，第二天的時候我如果再抓到，為了區分是抓取失敗還是抓取成功，我們根據create_time和update_time就可以進行推斷了，如果兩者相同而且是當前的日期說明剛抓的，如果update_time的日期比create_time新可以說明，抓到了重復的任務。關於字段的設計就啰嗦這么寫。

下面是實現，我們可以通過update_one方法，對數據作存在或者插入操作，因為url作為查詢條件，后面量大的話就最好添加一個索引。也就是上面的 add_index方法。

好了最好說插入更新的具體代碼

需要注意的是

{'$set': data, '$setOnInsert': {'create_time': datetime.datetime.now()}}

$setOnInsert里面使用的字段是數據不存在的時候才插入的，存在就不動了，只插入$set里面指定的。
另外$setOnInsert里面使用的字段不能在$set里面再次出現
upsert=True代表的是不存在就插入。

大概就這么多，不明白的可以給我留言，或者添加微信進群交流。