最新消息:XAMPP默认安装之后是很不安全的,我们只需要点击左方菜单的 "安全"选项,按照向导操作即可完成安全设置。

[Python教程]爬虫数据提取之JSON与JsonPATH

XAMPP案例 admin 798浏览 0评论
数据提取-json

JSON(JavaScript Object Notation) 是一种轻量级的数据交换格式,它使得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。 

Python 2.7中自带了JSON模块,直接import json就可以使用

官方文档:http://docs.python.org/library/json.html

Json在线解析网站:http://www.json.cn/#

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组两种结构,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。
数据提取-json模块

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

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:

zzzzzv00000000044

示例:

# json_loads.py

import json

strList = '[9, 8, 7, 6]'

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

json.loads(strList)
# [9, 8, 7, 6]

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类型的转化对照如下:

zzzzzv0000000044

示例:

# -*- coding:utf-8 -*-
import json
import chardet

listStr = [4, 5, 6, 7]
tupleStr = (2, 3, 4, 5)
dictStr = {"city": "西安", "name": "loaderman"}
print json.dumps(listStr)
print json.dumps(tupleStr)
print json.dumps(dictStr)
chardet.detect(json.dumps(dictStr))
print json.dumps(dictStr, ensure_ascii=False)
chardet.detect(json.dumps(dictStr, ensure_ascii=False))

运行:

[4, 5, 6, 7]
[2, 3, 4, 5]
{"city": "\u897f\u5b89", "name": "loaderman"}
{"city": "西安", "name": "loaderman"}

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

# -*- coding:utf-8 -*-
import json

listStr = [{"city": "西安"}, {"username": "loaderman"}]
print json.dump(listStr, open("listDataStr.json","w"), ensure_ascii=False)
dictStr = {"city": "西安", "username": "loaderman"}
print json.dump(dictStr, open("dictDataStr.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

# json_load.py
import json
strList = json.load(open("listDataStrs.json"))
print strList
strDict = json.load(open("dictDataStrs.json"))
print strDict

 

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,提供多种语言实现版本,包括: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:

zzzzzv000000044

JsonPath-示例

以某网城市JSON文件:http://www.lagou.com/lbs/getAllCitySearchLabels.json 为例,获取所有城市。

# -*- coding:utf-8 -*-


import urllib2
import jsonpath
import json

requestUrl = 'http://www.lagou.com/lbs/getAllCitySearchLabels.json'
headers = {
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36"}
request = urllib2.Request(requestUrl, headers=headers)
response = urllib2.urlopen(request)
html = response.read()

# 把json格式字符串转换成python对象
jsonobject = json.loads(html)

# 从根节点开始,匹配name节点
cityslist = jsonpath.jsonpath(jsonobject, '$..name')

print cityslist
print type(cityslist)
fp = open('getCitys.json', 'w')

contents = json.dumps(cityslist, ensure_ascii=False)
print contents

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

效果:

zzzzzv00000044

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,需要指定字符编码的参数 encoding 

如:

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他编码的字符,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 = dataJsonStr.decode("GB2312");
dataDict = json.loads(dataJsonStrUni, encoding="GB2312");

 

字符串编码转换 

其实什么乱码之类的几乎都是由汉字引起的。

解决办法: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 = "码上加油站"

# 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")
说明:

decode的作用是将其他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

 

总之:UTF-8是对Unicode字符集进行编码的一种编码方式

转载请注明:XAMPP中文组官网 » [Python教程]爬虫数据提取之JSON与JsonPATH

您必须 登录 才能发表评论!