node 通过mongoose实现 mongodb的增删改

mongoose 实现mongodb的增删改查

 

新建文件test.js
内容如下:

var mongoose = require('mongoose')
, Schema = mongoose.Schema;

mongoose.connect('mongodb://localhost/test');

var BlogSchema = new Schema({
   id        : {type : Number, index : true}
  ,title       : {type : String}
});

mongoose.model("Blog", BlogSchema);

var Blog = mongoose.model("Blog"); //获得model实例

var blog1 = new Blog();
blog1.id = 4;
blog1.title="ully";

blog1.save(function(err) {  //存储
  if (err) {
    console.log('save failed');
  }
  console.log('save success');
});

Blog.find({id:4},function(err,docs){//查询id为4的记录
     console.log(docs);
     console.log('find success');
});

Blog.update({id:4,title:"upill"},function(err,docs){//更新
     console.log(docs);
     console.log('update success');
});

Blog.remove({id:4},function(err,docs){//删除id为4的记录
     console.log(docs);
     console.log('remove success');
});

注意:在monogo中执行数据库查看时,要查询blogs(此处blogs是因为定了blog的model,本人认为这是mongoose自动生成的表结构)表,即
  use test;
 db.blogs.find();
基于html+python+Apriori 算法、SVD(奇异值分解)的电影推荐算法+源码+项目文档+算法解析+数据集,适合毕业设计、课程设计、项目开发。项目源码已经过严格测试,可以放心参考并在此基础上延申使用,详情见md文档 电影推荐算法:Apriori 算法、SVD(奇异值分解)推荐算法 电影、用户可视化 电影、用户管理 数据统计 SVD 推荐 根据电影打分进行推荐 使用 svd 模型计算用户对未评分的电影打分,返回前 n 个打分最高的电影作为推荐结果 n = 30 for now 使用相似电影进行推荐 根据用户最喜欢的前 K 部电影,分别计算这 K 部电影的相似电影 n 部,返回 K*n 部电影进行推荐 K = 10 and n = 5 for now 根据相似用户进行推荐 获取相似用户 K 个,分别取这 K 个用户的最喜爱电影 n 部,返回 K*n 部电影进行推荐 K = 10 and n = 5 for now Redis 使用 Redis 做页面访问次数统计 缓存相似电影 在使用相似电影推荐的方式时,每次请求大概需要 6.6s(需要遍历计算与所有电影的相似度)。 将相似电影存储至 redis 中(仅存储 movie_id,拿到 movie_id 后还是从 mysql 中获取电影详细信息), 时间缩短至:93ms。 十部电影,每部存 top 5 similar movie 登录了 1-6 user并使用了推荐系统,redis 中新增了 50 部电影的 similar movie,也就是说,系统只为 6 为用户计算了共 60 部电影的相似度,其中就有10 部重复电影。 热点电影重复度还是比较高的
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值