网络爬虫之网页数据解析（JSON与JsonPATH）

文章目录

JSON

定义

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。

对象{}：JSONObject

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[]：JSONArray

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。

方法

load打开文件

# 读取文件中json形式的字符串元素 转化成python类型

obj = json.load(open('book.json', 'r', encoding='utf-8'))
print(type(obj)

loads字符串

# 把Json格式字符串解码转换成Python对象
# 从json到python的类型转化对照如图所示

with open('./book.json',mode='r',encoding='utf-8') as f:
    json_string = f.read()
# 将json格式字符串转化为对象
obj = json.loads(json_string)
print(type(obj))

string串

str = '''{"has_more": false, "message": "success", "data": [{"single_mode": true, "abstract": "\u8c22\u8c22\u5927\u5bb6\u559c\u6b22\u6bcf\u65e5\u64b8"}]}'''

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

import json
str = '''{"has_more": false, "message": "success", "data": [{"single_mode": true, "abstract": "\u8c22\u8c22\u5927\u5bb6\u559c\u6b22\u6bcf\u65e5\u64b8"}]}'''

print(type(str))
print(json.dumps(str,ensure_ascii=False))

dump

# 将Python内置类型序列化为json对象后写入文件

import json

dictStr = {
      
      "city": "北京", "name": "大刘",'info':'\u8c22\u8c22\u5927'}
# Serialize ``obj`` as a JSON formatted stream to ``fp
json.dump(dictStr, open("dictStr.json","w",encoding='utf-8'), ensure_ascii=False,)

JSON与Python数据类型对戏

JSON	Python
object	dict
array	list、tuple
string	Unicode
number(int)	int、long
number(real)	float
true	True
false	False
null	None

JsonPath

定义

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

JsonPath和XPath的语法对比

XPath	JsonPath	描述
/	$	根节点
.	@	现节点
/	. or []	取子节点
…		取父节点，JsonPath未支持
//	…	选取所有位置所有符合条件的条件
*	*	匹配所有元素节点
@		根据属性访问，Json不支持，因为Json是个key-value递归结构，不需要
[]	[]	迭代器标识（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）
\|	[,]	支持迭代中做多选
[]	?()	支持过滤操作
	()	支持表达式计算
()		分组，JsonPath不支持

语法实例对比

XPath	JsonPath	结果
/store/book/author	$.store.book[*].author	书店所有书的作者
//author	$…author	所有的作者
//store/*	$.store.*	store的所有元素。所有的book和bicycle
/store//price	$.store…price	store里面所有东西的price
//book[3]	$…book[2]	第三本书
//book[last()]	$…book[(@.length-1)]	最后一本书
//book[position()< 3]	s…book[0,1] or s…book[:2]	前面的两本书
//book[isbn]	$…book[?(@.isbn)]	过滤出所有的包含isbn的书
//book[price<10]	$…book[?(@.price<10)]	过滤出价格低于10 的书
//*	$…*	所有元素

JsonPath的基本使用

import json
# xpath
# pip install jsonpath 专门解析json类型的数据
import jsonpath
import requests

# s = '''{"key":"Hello","dict":"World"}'''
# print(type(s))
# json_obj = json.loads(s,encoding='utf-8')
# print(json_obj)
# print(type(json_obj))
# print(json_obj['key'])
url = 'https://www.lagou.com/lbs/getAllCitySearchLabels.json'
if __name__ == '__main__':
    headers = {
    
    
        'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3',
        'Accept-Encoding': 'gzip, deflate, br',
        'Accept-Language': 'zh-CN,zh;q=0.9',
        'Cache-Control': 'max-age=0',
        'Connection': 'keep-alive',
        'Cookie': 'user_trace_token=20170911115921-976c1ee9-96a5-11e7-8e78-525400f775ce; LGUID=20170911115921-976c23ed-96a5-11e7-8e78-525400f775ce; _ga=GA1.2.999441537.1505102359; sensorsdata2015jssdkcross=%7B%22distinct_id%22%3A%221680c0e7fe84b5-09d8e2e6bf1c25-5e442e19-1327104-1680c0e7fe9c9%22%2C%22%24device_id%22%3A%221680c0e7fe84b5-09d8e2e6bf1c25-5e442e19-1327104-1680c0e7fe9c9%22%2C%22props%22%3A%7B%22%24latest_traffic_source_type%22%3A%22%E7%9B%B4%E6%8E%A5%E6%B5%81%E9%87%8F%22%2C%22%24latest_referrer%22%3A%22%22%2C%22%24latest_referrer_host%22%3A%22%22%2C%22%24latest_search_keyword%22%3A%22%E6%9C%AA%E5%8F%96%E5%88%B0%E5%80%BC_%E7%9B%B4%E6%8E%A5%E6%89%93%E5%BC%80%22%2C%22%24latest_utm_source%22%3A%22m_cf_cpc_baidu_pc%22%7D%7D; LG_HAS_LOGIN=1; gate_login_token=8586a02d54456365d23dc7b47a95ba949ed3cf351688cd37; LG_LOGIN_USER_ID=410cde6b7ecf76cb8f5c12869d780fb3c721f5b00f5a1a87; showExpriedIndex=1; showExpriedCompanyHome=1; showExpriedMyPublish=1; hasDeliver=2; index_location_city=%E5%8C%97%E4%BA%AC; privacyPolicyPopup=false; Hm_lvt_4233e74dff0ae5bd0a3d81c6ccf756e6=1571903416,1571970618,1572354935; _gid=GA1.2.387582430.1572354935; JSESSIONID=ABAAABAAAIAACBI3C82CE49769577D6151513758B1646B9',
        'Host': 'www.lagou.com',
        'Sec-Fetch-Mode': 'navigate',
        'Sec-Fetch-Site': 'none',
        'Sec-Fetch-User': '?1',
        'Upgrade-Insecure-Requests': '1',
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.70 Safari/537.36', }

    # response = requests.get(url=url, headers=headers)
    # data = response.text
    # json_obj = json.loads(data,encoding='utf-8')
    # print(json_obj['content']['data']['allCitySearchLabels']['B'][0]['name'])
    # result = jsonpath.jsonpath(json_obj,'$..[name,id,code]')
    # print(result)
    # # 返回列表，只有一个数据
    # # data = jsonpath.jsonpath(json_obj,'$.content[data]')
    # data = jsonpath.jsonpath(json_obj,'$.content.data')
    # print(data)
    # print(len(data))

    data = '''{ "store": {
    "book": [ 
      { "category": "reference",
        "author": "李白",
        "title": "Sayings of the Century",
        "price": 8.95
      },
      { "category": "fiction",
        "author": "杜甫",
        "title": "Sword of Honour",
        "price": 12.99
      },
      { "category": "fiction",
        "author": "白居易",
        "title": "Moby Dick",
        "isbn": "0-553-21311-3",
        "price": 8.99
      },
      { "category": "fiction",
        "author": "苏轼",
        "title": "The Lord of the Rings",
        "isbn": "0-395-19395-8",
        "price": 22.99
      }
    ],
    "bicycle": {
      "color": "red",
      "price": 19.95
    }
  }
}'''
    json_obj = json.loads(data, encoding='utf-8')

    # print(jsonpath.jsonpath(json_obj,'$.store.book[*].author'))
    # print(jsonpath.jsonpath(json_obj,'$..author'))
    # print(jsonpath.jsonpath(json_obj,'$.store.book[?(@.price>12)]'))
    # jsonpath 索引从0开始的
    # print(jsonpath.jsonpath(json_obj,'$.store.book[0]'))
    # @当前，当前列表长度 - 1 最后一个对象
    # print(jsonpath.jsonpath(json_obj,'$.store.book[(@.length -1)]'))
    print(jsonpath.jsonpath(json_obj, '$.store.book[?(@.isbn)]'))

实例

示例一拉勾城市数据

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

import requests
import jsonpath
import json

url = 'https://www.lagou.com/lbs/getAllCitySearchLabels.json/'
response = requests.get(url,verify = False)
html = response.text

# 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')

# 把一个Python对象编码转换成Json字符串
content = json.dumps(citylist, ensure_ascii=False)

with open('city.json','wb') as f:
    f.write(content.encode('utf-8'))

cities = jsonpath.jsonpath(obj,’$…[name,id,code]’)
content = jsonpath.jsonpath(obj,’$.content[data]’)

示例二图书json数据

import json
import jsonpath

obj = json.load(open('book.json', 'r', encoding='utf-8'))
print(type(obj))

# 通过如下函数使用jsonpath
# 参数1：json对象，参数2：jsonpath
# $ 代表的是根节点
# . 就类似于xpath里面的 /
# 【路径含义】从根开始一步一步找到指定书本的作者，如果写*代表所有的book，写下标代表的是指定book，注意，下标从0开始，查找所有book的作者，必须写*
ret = jsonpath.jsonpath(obj, '$.store.book[*].author')
ret = jsonpath.jsonpath(obj, '$..author')
ret = jsonpath.jsonpath(obj, '$.store..price')
# 查找最后一本书
ret = jsonpath.jsonpath(obj, '$..book[(@.length-1)]')
ret = jsonpath.jsonpath(obj, '$..book[:2]')
print(ret)

网络爬虫之网页数据解析（JSON与JsonPATH）

文章目录

JSON

定义

对象{}：JSONObject

数组[]：JSONArray

方法

JSON与Python数据类型对戏

JsonPath

定义

JsonPath和XPath的语法对比

JsonPath的基本使用

实例

猜你喜欢