Mongodb數據庫轉換為表格文件的庫
前言
大家好，我是吳老板。今天給大家分享一個可將Mongodb數據庫里邊的文件轉換為表格文件的庫，這個庫是我自己開發的。
Mongo2file庫是一個 Mongodb 數據庫轉換為表格文件的庫。
在我的日常工作中經常和 mongodb 打交道，而從 mongodb 數據庫中批量導出數據為其他格式則成為了剛需。
如果您跟我一樣每次導出數據時都需要重新編寫或到處尋找 腳本代碼 的話，這個庫可能會對您產生幫助。
依賴于快速 PyArrow
mongo2file 依賴于 PyArrow 庫。它是 C++ Arrow 的 Python 版本實現。
PyArrow 目前與 Python 3.7、3.8、3.9 和 3.10 兼容。
倉庫地址: https://github.com/apache/arrow。
如果您在 Windows 上遇到任何的導入問題或錯誤，您可能需要安裝 Visual Studio 2015。
警告: PyArrow 目前只支持到 win64 位 ( Python 64bit ) 操作系統。
其次，除了常見的 csv、excel、以及 json 文件格式之外, mongo2file 還支持導出 pickle、feather、parquet 的二進制壓縮文件。
pickle、feather、parquet 是 Python 序列化數據的一種文件格式, 它把數據轉成二進制進行存儲。從而大大減少讀取的時間。
安裝
pip install mongo2file
基本用法
快速開始
當 MongoEngine 控制類指定了 mongodb 表名稱時、將對數據表 (mongodb集合) 進行導出操作。
其類方法參數包括:
- query: 指定對數據表的查詢參數、只對指定表名時有效。
- folder_path: 指定導出目錄路徑。
- filename: 指定導出文件名、默認為 表名稱 + 當前時間。
- _id: 指定是否導出 _id、布爾型、默認為 False。
- limit: 指定導出表的限制數據、int類型、默認為 -1、即不限制。
import os
from mongo2file import MongoEngine
"""
作用于 MongoEngine 類未指定表名稱時
"""
M = MongoEngine(
host=os.getenv('MONGO_HOST', '127.0.0.1'),
port=int(os.getenv('MONGO_PORT', 27017)),
username=os.getenv('MONGO_USERNAME', None),
password=os.getenv('MONGO_PASSWORD', None),
database=os.getenv('MONGO_DATABASE', 'test_')
)
def to_csv():
result_ = M.to_csv()
assert "successfully" in result_
def to_excel():
result_ = M.to_excel()
assert "successfully" in result_
def to_json():
result_ = M.to_json()
assert "successfully" in result_
to_csv()
當 MongoEngine 控制類只指定了 mongodb 庫名稱時、將對數據庫下所有集合進行導出操作。
面對 mongo2file 的瓶頸和改進
對于 mongodb 的全表查詢、條件查詢、聚合操作、以及索引操作(當數據達到一定量級時建議) 并不是直接影響 數據導出的最大因素。
因為 mongodb 的查詢一般而言都非常快速，主要的瓶頸在于讀取 數據庫 之后將數據轉換為大列表存入 表格文件時所耗費的時間。
這是一件非常可怕的事情。
當沒有多線程(當然這里的多線程并不是對同一文件進行并行操作，文件寫入往往是線程不安全的)、 數據表查詢語句無優化時，并且當數據達到一定量級時(比如 100w 行)，單表單線程表現出來的效果真是讓人窒息。
在 mongo2file 在進行大數據量導出時表現的并沒有多么優秀。導致的主要原因可能是:
- 采用的 xlsxwriter 庫寫入 excel 時是積極加載(非惰性)的，數據全部加載至內存后插入表格。
- 大數據量插入表格時、跟宿主機器的性能有關。
- mongo2file 表現的不如人意時，我做出了一下改進。
- 當數據量過大時，數據表分塊讀取，導出多表格。
- 增加線程池的最大并發數、當選取的 block_size 值合適時，將發揮最大性能。
對于數據轉換一些建議
- 對于 xlsxwriter、openpyxl、xlwings 以及 pandas 引用的任何引擎進行寫入操作時、都會對寫入數據進行非法字符的過濾。這一點從部分源碼中可以看得出來。
- 由于行數據表中可能存在 excel 無法識別的非法字符 (比如空列表 []) , 當寫至此行時將拋出 非法類型 的錯誤。
- 而比較恰當合理的做法就是在存儲 mongodb 文檔時不要存入類似于 []、{} 的這種對原始數據無意義的空對象。
Reference API
MongoEngine
MongoEngine(
host='localhost',
port=27017,
username=None,
password=None,
database='測試庫',
collection='測試表_200000'
)
to_csv(query, folder_path, filename, ...)
:param query: 數據庫查詢條件、字典類型、只作用于單表導出
:param folder_path: 指定導出的目錄
:param filename: 指定導出的文件名
:param _id: 是否導出 _id 默認否
:param limit: 限制數據表查詢的條數
:param is_block: 是否分塊導出
:param block_size: 塊大小、is_block 為 True 時生效
to_excel(query, folder_path, filename, ...)
:param query: 數據庫查詢條件、字典類型、只作用于單表導出
:param folder_path: 指定導出的目錄
:param filename: 指定導出的文件名
:param _id: 是否導出 _id 默認否
:param limit: 限制數據表查詢的條數
:param is_block: 是否分塊導出
:param block_size: 塊大小、is_block 為 True 時生效
:param mode: 導出模式, 枚舉類型、sheet 或 xlsx, 當 is_block 為 True 時生效
:param ignore_error: 是否忽略錯誤、數據表中存在非序列化類型時使用、這將一定程度上影響程序的性能
to_json(query, folder_path, filename, ...)
:param query: 數據庫查詢條件、字典類型、只作用于單表導出
:param folder_path: 指定導出的目錄
:param filename: 指定導出的文件名
:param _id: 是否導出 _id 默認否
:param limit: 限制數據表查詢的條數
:param is_block: 是否分塊導出
:param block_size: 塊大小、is_block 為 True 時生效
to_pickle(query, folder_path, filename, ...)
:param query: 數據庫查詢條件、字典類型、只作用于單表導出
:param folder_path: 指定導出的目錄
:param filename: 指定導出的文件名
:param _id: 是否導出 _id 默認否
:param limit: 限制數據表查詢的條數
to_feather(query, folder_path, filename, ...)
:param query: 數據庫查詢條件、字典類型、只作用于單表導出
:param folder_path: 指定導出的目錄
:param filename: 指定導出的文件名
:param _id: 是否導出 _id 默認否
:param limit: 限制數據表查詢的條數
to_parquet(query, folder_path, filename, ...)
:param query: 數據庫查詢條件、字典類型、只作用于單表導出
:param folder_path: 指定導出的目錄
:param filename: 指定導出的文件名
:param _id: 是否導出 _id 默認否
:param limit: 限制數據表查詢的條數
總結
以上就是今天要分享的全部內容了，總的來說，Mongo2file庫是一個可以將 Mongodb 數據庫轉換為表格文件的庫，不僅支持導出csv、excel、以及 json 文件格式, 還支持導出 pickle、feather、parquet 的二進制壓縮文件。歡迎大家積極嘗試。
