Python爬虫(十六)_JSON模块与JsonPath

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。

  1. 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。
  2. 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:dumpsdumploadsload,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:

Python爬虫(十六)_JSON模块与JsonPath

#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:

Python爬虫(十六)_JSON模块与JsonPath

#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

上一篇:利用insert,update和delete注入获取数据


下一篇:如何在IDEA里给大数据项目导入该项目的相关源码(博主推荐)(类似eclipse里同一个workspace下单个子项目存在)(图文详解)