由于是对比书写:
M: 代表 Mongo原生语法
P: 代表 PyMongo书写方法
后面提到：”同上“ 字眼：
意思就是 Mongo 和 PyMongo 语句是一模一样的， 一个字都不差，复制上去，可以直接运行
（也许你很好奇，为什么 一个是Python语言里的PyMongo，一个是Mongo）
他们的语句为什么可以做到一模一样 ？？
答：因为 Mongo和Python都可以 给变量赋值， PyMongo的语法设计也是模仿Mongo的。
所以：我巧妙的 把二者的变量设为同一个，函数90%都一致， 所以整条语句就一模一样了！
主要语法区别：
1. 函数命名
Mongo 方法函数大都以 驼峰命名
PyMongo方法函数大都以 _ 下划线分割命名
2. 函数参数
Mongo : 基本都是 {} + [] 各组组合格式
PyMongo：同上， 但{}的 key需要使用字符串格式， 有些情况，还需要使用命名参数代替 {}
3. 空值 与 Bool
Mongo: null true false
PyMongo: None True False
pip install pymongo
import pymongo
M: Mongo
P: cursor = pymongo.MongoClient('ip',port=27017)
M: use test
P: db = cursor['test'] # 记住这个db， 下面复用这个参数
M: table = db.zhang
P: table = db['zhang']
注：选择库，选择集合的时候 注意事项：
Mongo中： xx.xx 用 . 的语法
PyMongo中：也可以 用 xx.xx 这样, 但是这样用在PyCharm中没有语法提示
所以提倡 xx['xx'] 用索引的方式使用
Mongo中：
大多数查询等结果返回都是游标对象
如果不对游标遍历，那么Mongo的游标会默认为你取出 前 20 个 值
当然，你也可以索引取值
关闭操作： .close()
PyMongo中：
同样，大多数查询等结果返回都是游标对象（如果你学过ORM，可以理解游标就像 ORM的查询集）
所以必须通过 list() 或 遍历 或 索引 等操作才能真正取出值
关闭操作： .close() 或者 用 Python 的 with 上下文协议
M: table.save({}) # 估计要废弃了
P: 将要被废弃 用insert_one代替它
M: table.insert() # 包括上面两种，可以一个 {}，可以多个 [{},{}]
P: PyMongo源码明确说明，insert()语法将被废弃，请用 insert_one({}) 和 insert_many([])代替
M:
table.insertOne( {} ) # 驼峰
table.insertMany([ {},{} ]) # 驼峰
P:
table.insert_one( {} ) # 下划线
table.insert_many([ {},{} ]) # 下划线
参数1：删除查询条件
参数2：删除选项
M: table.remove({'name':'zhangsan'}, {'justOne': true}) # 我更喜欢用delete的
P: PyMongo中,此方法将被废弃。 将会被 delete_one() 和 delete_many() 代替
M: table.deleteOne({'name': 'lin3'})
P: table.delete_one({'name': 'lin3'}) #
M: table.deleteMany({'name': 'lin3'})
P: table.delete_many({'name': 'lin3'})
注意：
不知道这两个函数是否让你想起了前面讲的 insertOne 和 insertMany，他们看起来很像，语法不同：
insertMany([]) # 参数需要用 [] 包起来
deleteMany({}) # 参数不需要
注意2：
table.deleteMany({}) # 空 {}， 代表删除所有文档 （慎行，慎行，慎行）
table.drop() # 删除集合（连同 所有文档， 连同 索引，全部删除）
"""
文档修改, 注意： _id 不可修改
"""
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
$pull : 不要求内嵌文档的循序， 顺序不一致，一样可以返回
"""
第一个参数的条件是 筛选出 数据的记录（文档）
第二个参数的条件是 筛选出 数据的记录中的 属性（字段），不配置 就是 默认 取出所有字段
find({查询条件}, {投影设置})
"""
哪个字段 设置为 0， 此字段就不会被投影， 而其他字段全部被投影
哪个字段 设置为 1， 此字段就会被单独投影， 其他字段不投影
{'name': 0, 'age': 0} # 除了 name 和 age ，其他字段 都 投影
{'name': 1, 'age': 1} # 只投影 name 和 age, 其他字段 不 投影，（_id除外）
注意:所有字段必须满足如下要求：
一： 你可以不设置，默认都会被投影
二： 如果你设置了，就必须同为0，或者同为1,不允许0，1 混合设置(_id除外)
三： _id虽然可以参与混合设置，但是它只可以设为0， 不可以设为1，因为1是它默认的
通俗理解（0和1的设定）：另一种理解思想 ====>
设置为1： 就是 加入 白名单 机制
设置为0， 就是 加入 黑名单 机制
注： _id字段是 MongoDB的默认字段，它是会一直被投影的(默认白名单)
但是，当你强制指定 {'_id': 0} ，强制把 _id指定为0，他就不会被投影了（变为黑名单）
语法：
M: queryset = table.find({}, {'name': 0})
P: 同上
"""针对投影时的value为数组的情况下，对此数组切片，然后再投影"""
数据条件： {'arr1': [5,6,7,8,9] }
整形参数：
M: queryset = table.find({},{'arr1':{'$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
京公网安备 11010802041100号 | 京ICP备19059560号-4 | PHP1.CN 第一PHP社区 版权所有 