Python爬虫(十六)_JSON模块与JsonPath

2021-10-13 10:29:55

本篇将介绍使用，更多内容请参考：Python学习指南

数据提取之JSON与JsonPATH

JSON(JavaScript Object Notation)是一种轻量级的数据交换格式，它是的人们很容易的进行阅读和编写。同时也方便了机器进行解析和生成。适用于进行数据交互的场景，比如网站前台与后台之间的数据交互。

JSON和XML的比较可谓不相上下。

Python2.7中自带了JSON模块，直接import json就可以使用了。

官方博客：http://docs.python.org/library/json.html

Json在线解析网站：http://www.json.cn/#

JSON

json简单说就是javascript中的对象和数组，所以这两种结构就是对象和数据两种结构，通过这两种结构可以表示各种复杂的结构。

对象：对象在js中表示为{}括起来的内容，数据结构为{key:value,key:value,...}的键值对的结构，在面向对象的语言中，key为对象的属性，value为对应的属性值，所以很容易理解，取值方法为对象.key获取属性值，这个属性值的类型可以是数字、字符串、数组、对象这几种。

数组：数组在js中是中括号[]括起来的内容，数据结构为["Python", "javascript", "C++",..]，取值方式和所有语言中一样，使用索引获取，字段值的类型可以是数字、字符串、数组、对象几种。

import json

json模块提供了四个功能：dumps、dump、loads、load,用于字符串和python数据类型键进行转换。

1、json.loads()

把json格式字符串解码转换成Python对象从json到Python的类型转化对照如下：

#json_loads.py

import json

strList = '[1, 2, 3, 4]'

strDict = '{"city":"北京", "name":"大猫"}'

json.loads(strList)

for str in strList:

    print(str)

#[1, 2, 3, 4]

json.loads(strDict)  #json数据自动按Unicode存储

#{u'city': u'\u5317\u4eac', u'name': u'\u5927\u732b'}

2、json.dumps()

实现python类型转化为json字符串，返回一个str对象。把一个Python对象编码转换成Json字符串，从python原始类型向json类型转化对照表如下：

#json_dumps.py

#-*- coding:utf-8 -*-

import json

import chardet

listStr = [1, 2, 3, 4]

tupleStr = (1, 2, 3, 4)

dictStr  = {"city":"北京", "name":"大猫"}

print(type(json.dumps(listStr)))

# '[1, 2, 3, 4]'

print(type(json.dumps(tupleStr)))

# '[1, 2, 3, 4]'

#注意，json.dumps()序列化时默认使用ascii编码

#添加参数 ensure_ascii = False,禁用ascii编码，按utf-8编码

#chardet.detect()返回字典，其中confidence是检测精确度。

print(json.dumps(dictStr))

#'{"city":"\\u5317\\u4eac", "name":"\\u5927\\u5218"}'

print(chardet.detect(json.dumps(dictStr)))

print(json.dumps(dictStr, ensure_ascii=False))

print(chardet.detect(json.dumps(dictStr, ensure_ascii=False)))

chardet是一个非常优秀的编码识别模块，可通过pip安装

3. json.dump()

将Python内置类型序列化为json对象后写入文件

#json_dump.py

import json

listStr = [{"city":"北京"}, {"name":"大刘"}]

json.dump(listStr, open("listStr.json", "w"), ensure_ascii=False)

dictStr = {"city":"北京", "name":"大刘"}

json.dump(dictStr.open("dictStr.json", "w"), ensure_ascii=False)

4.json.load()

读取文件中json形式的字符串元素转化成python类型

#-*- coding:utf-8 -*-

import json

strList = json.load(open("listStr.json"))

print strList

# [{u'city': u'\u5317\u4eac'}, {u'name': u'\u5927\u5218'}]

strDict = json.load(open("dictStr.json"))

print strDict

# {u'city': u'\u5317\u4eac', u'name': u'\u5927\u5218'}

JsonPath

JsonPath是一种信息抽取类库，是从JSON文档中抽取指定信息的工具，提供多种原因实现保本：JavaScript/Python/PHP和Java

JsonPath对于JSON来说，相当于XPATH对于XML

下载地址：https://pypi.python.org/pypi/jsonpath

安装方法：点击Download URL链接下载jsonpath,解压之后执行python setup.py install

官方文档：http://goessner.net/articles/JsonPath

JsonPath与XPath语法对比：

Json结构清晰，可读性高，复杂度低，非常容易匹配，下表中对应了XPath的用法。

Xpath	JSONPath	描述
/	$	跟节点
.	@	现行节点
/	. or []	取子节点
..	n/a	就是不管位置，选择所有符合条件的条件
*	*	匹配所有元素节点
[]	[]	迭代器标示(可以在里面做简单的迭代操作，如数组下标，根据内容选值等)
&#124	[,]	支持迭代器中做多选
[]	?()	支持过滤操作
n/a	()	支持表达式计算
()	n/a	分组，JsonPath不支持

实例：

我们以拉勾网城市JSON文件http://www.lagou.com/lbs/getAllCitySearchLabels.json为例，获取所有城市。

#-*- coding:utf-8 -*-

import urllib2

import json

import jsonpath

import chardet

url = "http://www.lagou.com/lbs/getAllCitySearchLabels.json"

request = urllib2.Request(url)

response  = urllib2.urlopen(request)

html = response.read()

#把json格式字符串转换成python对象

jsonobj = json.loads(html)

#从根节点开始，匹配name节点

citylist = jsonpath.jsonpath(jsonobj, '$..name')

print citylist

print(type(citylist))

fp = open('city.json', 'w')

content = json.dumps(citylist, ensure_ascii=False)

print content

fp.write(content.encode('utf-8'))

fp.close()

注意事项：

json.loads()是把Json格式字符串解码转换成Python对象，如果在json.loads的时候出错，要注意被解码的Json字符的编码。

如果传入的字符串的编码不是UTF-8的话，需要制定字符编码的参数:encoding

dataDict = json.loads(jsonStrGBK);

dataJsonStr是JSON字符串，假设其编码本身是非UTF-8的话而是GBK的，那么上述代码会导致出错，改为对应的。

dataDict = json.loads(jsonStrGBK, encoding="GBK")

如果dataJsonStr通过encoding指定了合适的编码，但是其中又包含了其它编码的字符，则需要先去将dataJsonStr转换为Unicode,然后再指定编码格式调用json.loads()

dataJsonStrUni = data.JsonStr.decode("GB2312")

dataDict = json.loads(dataJsontrUni, encoding="GB2312")

字符串编码转换

这是程序员最苦逼的地方，什么乱码之类的几乎都是由汉字引起的。

其实编码问题很好搞定，只要记住一点：

任何平台的任何编码，都能和Unicode互相转换。

UTF-8与GBK互相转换，那就先把UTF-8转换成Unicode，再从Unicode转换成GBK，反之同理。

# 这是一个 UTF-8 编码的字符串

utf8Str = "你好地球"

# 1. 将 UTF-8 编码的字符串 转换成 Unicode 编码

unicodeStr = utf8Str.decode("UTF-8")

# 2. 再将 Unicode 编码格式字符串 转换成 GBK 编码

gbkData = unicodeStr.encode("GBK")

# 1. 再将 GBK 编码格式字符串 转化成 Unicode

unicodeStr = gbkData.decode("gbk")

# 2. 再将 Unicode 编码格式字符串转换成 UTF-8

utf8Str = unicodeStr.encode("UTF-8")

decode的作用是将其它编码的字符串转换成Unicode编码

encode的作用是将Unicode编码转换成其他编码的字符串

一句话：UTF-8是对Unicode字符集记性编码的一种编码格式

码农公寓