示例数据（Sample Data）

MongoDB 官方提供 Atlas Sample Datasets，包含电影、餐馆、房源、销售等业务场景的文档，可以直接用于学习查询、嵌套字段、数组和聚合管道。这些示例库既可以加载到 Atlas，也可以导入本地 MongoDB。官方的将示例数据加载到本地部署中教程使用 sampledata.archive 归档和 mongorestore 完成导入。

数据集一览

数据库	主要集合	内容与练习方向
sample_restaurants	restaurants、neighborhoods	餐馆与社区；条件查询、地址子文档、评分数组、地理空间数据
sample_mflix	movies、comments、theaters、users	电影、评论与影院；筛选、聚合、关联查询
sample_airbnb	listingsAndReviews	房源与评价；嵌套文档、数组、地理位置
sample_supplies	sales	办公用品销售；订单项数组、销售统计
sample_analytics	accounts、customers、transactions	模拟金融业务；账户、客户与交易关系
sample_geospatial	shipwrecks	沉船位置；地理空间查询
sample_guides	planets	行星资料；基本查询与投影
sample_training	companies、grades、routes、trips 等	多种训练场景；过滤、分组、数组操作
sample_weatherdata	data	天气观测；时间与嵌套测量值

数据集与集合说明见官方示例数据目录。上表列出主要集合；归档内容可能随官方更新变化，导入后以实际数据库和集合为准。入门可以先用餐馆数据，再阅读 Mflix 电影数据和 Airbnb 房源数据的文档结构。

用 Compose 一次完成下载与导入

独立的 hello-docker 仓库在 compose/mongo-compose/ 提供 Compose 文件和 Bash 导入脚本。获取该仓库的 codex/hello-docker 分支后，从 hello-docker 仓库根目录执行：

cd compose/mongo-compose

# 先启动 MongoDB，挂载脚本并共享 data 目录
docker compose up -d

# 在容器内等待连接、下载归档、导入并查询验证
docker exec -u root hello-docker-mongo bash /workspace/scripts/import-samples.sh

脚本使用官方地址 https://atlas-education.s3.amazonaws.com/sampledata.archive，将归档保存在宿主机的 data/sampledata.archive，容器内对应 /workspace/data/sampledata.archive。下载先写临时文件，成功后改名；后续运行复用已下载的非空归档。共享目录已被 Git 忽略。

导入使用 --nsInclude='sample_*.*' 选择全部样例库，结束时列出数据库并检查 sample_restaurants.restaurants。只执行 up -d 会启动服务，下载与导入由上面的 Bash 命令触发。完整文件与说明见 Mongo Compose 目录。Podman 使用同一份文件，将命令中的 docker 替换为 podman，并配置好 Compose provider。

停止服务时执行：

docker compose down

普通停止保留数据库命名卷和宿主机归档，再次 up -d 后可继续查询已有数据。

导入到已有的本地数据库

如果已有 MongoDB 服务，也可以按官方教程手动导入。在执行命令的主机上准备 curl、MongoDB Database Tools，并用 mongosh 查询结果。下面的下载命令适用于 Bash，成功后才把临时文件改为归档文件：

curl --fail --location --retry 3 \
  https://atlas-education.s3.amazonaws.com/sampledata.archive \
  --output sampledata.archive.part \
  && mv sampledata.archive.part sampledata.archive

下载成功后，针对启用了认证的本地服务执行导入；将用户名、认证库和端口替换为自己的配置。下例采用 hello-docker 的 Mongo Compose 演示配置：用户名 root、认证库 admin，执行时会提示输入密码（演示密码为 example）。

mongorestore --host 127.0.0.1 --port 27017 \
  --username root --authenticationDatabase admin \
  --archive=sampledata.archive --nsInclude='sample_*.*' --stopOnError

归档是 BSON 备份归档，使用 mongorestore --archive；此文件无需 --gzip，也不使用面向 JSON/CSV 的 mongoimport。只需要餐馆数据时，将过滤条件改为 --nsInclude='sample_restaurants.*'。参数说明见 mongorestore 官方文档。

重复导入

导入命令不包含 --drop，会保留现有集合。重复导入可能遇到重复键；--stopOnError 会停止恢复，错误之前已经写入的文档仍会保留。已有样例库时直接查询即可，无需每次启动都重新导入。

查看数据与聚合查询

通过 Compose 启动服务后，进入容器内的交互式 mongosh，按提示输入演示密码 example：

docker exec -it hello-docker-mongo mongosh \
  --host 127.0.0.1 --port 27017 \
  --username root --authenticationDatabase admin

已有本地 mongosh 时，去掉命令前面的 docker exec -it hello-docker-mongo 即可。连接后在 mongosh 中执行：

show dbs
use sample_restaurants
show collections
db.restaurants.countDocuments()
db.restaurants.findOne()

// 查询 Manhattan 的餐馆，只显示需要的字段
db.restaurants.find(
  { borough: 'Manhattan' },
  { _id: 0, name: 1, cuisine: 1, 'address.street': 1 }
).sort({ name: 1 }).limit(5)

// 按行政区统计餐馆数量
db.restaurants.aggregate([
  { $group: { _id: '$borough', count: { $sum: 1 } } },
  { $sort: { count: -1, _id: 1 } }
])

address 是内嵌文档，grades 是评分记录数组；可以继续尝试点路径查询和 $unwind，观察文档结构如何影响查询。

针对餐馆数据的增删改查

以下语句直接操作导入后的 sample_restaurants.restaurants 集合，在 mongosh 中执行。MongoDB 使用集合方法和查询文档表达 CRUD；对应关系见官方 CRUD 教程。

操作	方法	对应的 SQL 操作
增	insertOne()、insertMany()	INSERT
查	findOne()、find()	SELECT
改	updateOne()、updateMany()	UPDATE
删	deleteOne()、deleteMany()	DELETE

先取得集合。后面的各段在同一个 mongosh 会话中按顺序执行：

var restaurants = db.getSiblingDB('sample_restaurants').restaurants

查：筛选、投影、排序与数组

查询官方导入的数据，字段来自餐馆数据集的文档结构：

// 查看一条完整文档
restaurants.findOne()

// 查询 Manhattan 的意大利餐馆，返回名称和街道
restaurants.find(
  { borough: 'Manhattan', cuisine: 'Italian' },
  { _id: 0, name: 1, 'address.street': 1 }
).sort({ name: 1, _id: 1 }).limit(5)

// 按内嵌地址字段查询
restaurants.find({ 'address.zipcode': '10001' }).limit(5)

// 至少有一次评分同时满足 A 等级和 score <= 10
restaurants.find({
  grades: { $elemMatch: { grade: 'A', score: { $lte: 10 } } }
}).limit(5)

// 统计符合条件的文档数量
restaurants.countDocuments({ borough: 'Manhattan' })

投影中的 1 表示保留字段，_id: 0 表示隐藏主键。address.zipcode 用点路径访问内嵌字段；$elemMatch要求多个条件由同一个数组元素满足。

增：单条与批量插入

为本次练习生成唯一的 practiceBatch 标记。新增餐馆仍使用原集合的业务字段，后面的修改和删除通过标记或 _id 定位这些练习记录。

var practiceBatch = new ObjectId().toHexString()
print(practiceBatch)

var created = restaurants.insertOne({
  name: 'Hello MongoDB 餐馆',
  restaurant_id: 'practice-' + practiceBatch + '-1',
  borough: 'Manhattan',
  cuisine: 'Chinese',
  address: {
    building: '100',
    street: 'Demo Street',
    zipcode: '10001',
    coord: [-73.99, 40.75]
  },
  grades: [{ date: new Date(), grade: 'A', score: 8 }],
  practiceBatch: practiceBatch
})
var practiceId = created.insertedId
restaurants.findOne({ _id: practiceId })

// 再批量插入两条最小练习文档
restaurants.insertMany([
  {
    name: 'Hello MongoDB East',
    restaurant_id: 'practice-' + practiceBatch + '-2',
    borough: 'Queens', cuisine: 'Chinese', practiceBatch: practiceBatch
  },
  {
    name: 'Hello MongoDB West',
    restaurant_id: 'practice-' + practiceBatch + '-3',
    borough: 'Queens', cuisine: 'Italian', practiceBatch: practiceBatch
  }
])
restaurants.countDocuments({ practiceBatch: practiceBatch })

insertOne() 返回新记录的 insertedId；完整执行这一段后，本批练习应有 3 条记录。新增文档会写入 MongoDB 服务端，练习标记也会随文档保存。

改：更新字段与追加数组元素

// 只修改本次单条插入的餐馆
restaurants.updateOne(
  { _id: practiceId, practiceBatch: practiceBatch },
  {
    $set: { name: 'Hello MongoDB 餐馆（已更新）', 'address.street': 'New Demo Street' },
    $push: { grades: { date: new Date(), grade: 'A', score: 6 } }
  }
)
restaurants.findOne({ _id: practiceId })

// 批量更新本批练习记录的备注
restaurants.updateMany(
  { practiceBatch: practiceBatch },
  { $set: { note: '已完成 CRUD 练习' } }
)
restaurants.find({ practiceBatch: practiceBatch })

$set 修改指定字段，点路径可以只更新地址中的街道；$push 在评分数组末尾追加记录。更新结果中的 matchedCount 表示匹配数，modifiedCount 表示实际修改数；重复写入相同值时，两者可能不同。参见 updateOne()。

删：删除单条与清理本批练习

// 删除本次单条插入的餐馆
restaurants.deleteOne({ _id: practiceId, practiceBatch: practiceBatch })
restaurants.findOne({ _id: practiceId }) // 删除后返回 null

// 清理本批剩余的两条练习记录
restaurants.deleteMany({ practiceBatch: practiceBatch })
restaurants.countDocuments({ practiceBatch: practiceBatch }) // 完整清理后为 0

删除结果的 deletedCount 表示实际删除数。这组语句通过本次练习标记限定范围，保留原始样例记录。

如需观察持久化，可以在删除之前记下 print(practiceBatch) 输出的值，退出并重新连接 mongosh，再执行：

db.getSiblingDB('sample_restaurants').restaurants.find({
  practiceBatch: '替换为刚才输出的标记'
})

数据库中的记录会保留，mongosh 的 practiceBatch、practiceId 等变量则需要在新会话中重新设置。Compose 使用命名卷，普通停止再启动也会保留这些记录。

资料核对日期：2026-10-07。