数据提取之JSON与JsonPATH

开发 前端
我们知道再爬虫的过程中我们对于爬取到的网页数据需要进行解析,这次我们来介绍一下另一个数据解析库--jsonpath,在此之前我们需要先了解一下什么是json。

[[437281]]

背景介绍

我们知道再爬虫的过程中我们对于爬取到的网页数据需要进行解析,因为大多数数据是不需要的,所以我们需要进行数据解析,常用的数据解析方式有正则表达式,xpath,bs4,这次我们来介绍一下另一个数据解析库--jsonpath,在此之前我们需要先了解一下什么是json。

一、初识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。

Python 2.7及之后版本,自带了JSON模块,直接import json就可以使用了。

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

Json在线解析网站:http://www.json.cn/#

二、Json的基本使用

简介

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;

  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。

使用

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。

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:

1.json.loads()

  1. import json 
  2.  
  3. strDict = '{"city": "广州", "name": "小黑"}' 
  4.  
  5. r = json.loads(strDict) # json数据自动按Unicode存储 
  6.  
  7. print(r) 

结果如下:

  1. {'city''广州''name''小黑'

2. json.load()

读取文件中json形式的字符串元素 转化成python类型

  1. import json 
  2. s = json.load(open('test.json','r',encoding='utf-8')) 
  3. print(s,type(s)) 

结果如下:

  1. {'city''广州''name''小黑'

3. 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

  1. import json 
  2.  
  3. listStr = [1, 2, 3, 4] 
  4. dictStr = {"city""北京""name""大猫"
  5.  
  6. s1 = json.dumps(listStr) 
  7. s2 = json.dumps(dictStr,ensure_ascii=False
  8.  
  9. print(s1,type(s1)) 
  10. print(s2) 

结果如下:

  1. [1, 2, 3, 4] {"city""北京""name""大猫"

注意:

  1. json.dumps() 序列化时默认使用的ascii编码
  2. 添加参数 ensure_ascii=False 禁用ascii编码,按utf-8编码

4. json.dump()

将Python内置类型序列化为json对象后写入文件

  1. import json 
  2.  
  3. json_info = "{'age': '12'}" 
  4. file = open('ceshi.json','w',encoding='utf-8'
  5. json.dump(json_info,file) 

结果如下:

ceshii,json(目录文件产生)

三、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。

XPath JSONPath 描述
/ $ 根节点
. @ 现行节点
/ .or[] 取子节点
.. n/a 取父节点,Jsonpath未支持
// .. 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
@ n/a 根据属性访问,Json不支持,因为Json是个Key-value递归结构,不需要。
[] [] 迭代器表示(可以在里边做简单的迭代操作,如数组下标,根据内容选值等)
| [,] 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

四、案例测试

我们爬取淘票票官网的城市信息,保存为json文件,进行jsonpath语法测试,获取所有城市名称。

请求

  1. import requests 
  2. import time 
  3.  
  4. url = 'https://dianying.taobao.com/cityAction.json?activityId&_ksTS=1632211792156_137&jsoncallback=jsonp138&action=cityAction&n_s=new&event_submit_doGetAllRegion=true' 
  5.  
  6. headers = { 
  7.     'user-agent''Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.106 Safari/537.36'
  8. }  
  9.  
  10. res = requests.get(url,headers=headers) 
  11.  
  12. result = res.content.decode('utf-8'
  13.  
  14. print(result) # xxx省略 

注意:

headers里面的键值对最好都加上,还是有反爬的,该网站,这里为了简便省去了;

保存数据

content = result.split('(')[1].split(')')[0] # 由于文件首尾的字符不需要需要剔除掉做字符串切割with open('tpp.json','w',encoding='utf-8')as fp: fp.write(content)

打开json文件如下所示:

图片

解析数据

这里我们获取全部城市名称

  1. import json 
  2. import jsonpath 
  3.  
  4. obj = json.load(open('tpp.json','r',encoding='utf-8')) # 注意,这里是文件的形式,不能直接放一个文件名的字符串 
  5.  
  6. city_list = jsonpath.jsonpath(obj,'$..regionName') # 文件对象   jsonpath语法 
  7.  
  8. print(city_list 

结果如下:

图片

五、总结

我们知道json是一种常见的数据传输形式,所以对于爬取数据的数据解析,json的相关操作是比较重要的,能够加快我们的数据提取效率,本文简单介绍了json和jsonpath的相关操作,对于测试网站(淘票票)的json做了简单的数据解析,感兴趣的小伙伴可以把其他数据解析一下。

 

责任编辑:姜华 来源: IT共享之家
相关推荐

2011-08-18 10:07:53

SQL Server脏NOLOCKREADPAST

2023-09-14 08:30:46

JsonPathXPath

2009-06-15 15:10:02

Java数据转换JSON

2023-09-21 09:25:53

Python方法

2021-12-03 09:01:36

PythonJson文件Python基础

2011-04-11 13:58:19

数据库

2014-08-12 10:15:42

数据格式JSONXML

2021-08-09 13:34:14

Python开发数据

2019-02-11 08:48:07

XMLJSON前端

2010-01-06 13:23:20

JSON数据格式

2024-04-15 13:13:04

PythonJSON

2024-09-13 13:48:10

MinerU开源数据提取工具

2021-10-21 05:41:27

QueenSono安全工具提取数据

2011-06-14 16:07:13

Qt QSettings类

2011-07-20 10:27:29

JavaScript

2011-05-25 15:34:17

jQueryJSON

2014-04-15 10:24:42

OpenCV

2018-07-03 15:05:34

数据库Oracle数据提取

2011-07-19 09:08:38

jQuery

2012-02-29 09:30:36

ibmdw
点赞
收藏

51CTO技术栈公众号