python爬虫json_python爬虫数据提取一之json
1 数据提取
什么是数据提取? 简单的来说,数据提取就是从响应中获取我们想要的数据的过程
1.1 数据分类
非结构化数据: html , 文本等 处理方法:正则表达式,xpath语法
结构化数据:json,xml等 处理方法:转换为python数据类型
2 复习JSON知识
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。
2.1 为什么要使用JSON?
把json格式字符串转化为python字典类型很简单,所以爬虫中,如果我们能够找到返回json数据格式字符串的url,就会尽量使用这种url 如何找到返回json的url呢? 1、使用浏览器/抓包工具进行分析 wireshark(windows/linux),tcpdump(linux) 2、抓包手机app的软件
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。
Json在数据交换中起到了一个载体的作用,承载着相互传递的数据
2.2 转换方法
json.loads()
把Json格式字符串解码转换成python对象
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
json.dump()
将python内置类型序列化为json对象后写入文件
json.load()
读取文件中json形式的字符串元素 转化成python类型
import json
# python中支持单引号,但转换数据类型的时候,需要使用双引号
dict_data = '{"neuedu":"沈阳_python24", "pub_date": "2019-4-14 17:00:00"}'
print(dict_data)
print(type(dict_data))
# 转成json字符串 默认使用ascii编码,需要设置ensure_ascii为False
json_data = json.dumps(dict_data,ensure_ascii=False)
print(json_data)
print(type(json_data))
# 转成字典
dict_data_str = json.loads(dict_data)
print(dict_data_str)
print(type(dict_data_str))
# 把字典转成json写入文件,写文件如果遇到编码ascii错误,可以指定编码格式为utf8
f = open('data.json','w',encoding='utf8')
json.dump(dict_data_str,f,ensure_ascii=False)
# 读取json文件中的内容,转成字典
f = open('data.json','r',encoding='utf8')
dict_data = json.load(f)
print (dict_data)
3 案例:爬取豆瓣网电视信息
打开ajax请求页会展示如下代码
import requests
import json
# 目标:
# 爬取豆瓣网电视信息
# 1、电视名称、封面信息、评分等
class Douban(object):
def __init__(self):
self.url = 'https://movie.douban.com/j/search_subjects?type=tv&tag=%E7%83%AD%E9%97%A8&sort=recommend&page_limit=200&page_start=1'
self.headers = {
'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.181 Safari/537.36'
}
# 创建文件对象
self.file = open('douban.json','w',encoding='utf8')
# 发送请求,获取数据
def get_data(self):
response = requests.get(url=self.url,headers=self.headers)
# 把响应数据转成str类型
return response.content.decode()
# 解析数据
def parse_data(self,data):
# 把电视数据转成字典
dict_data = json.loads(data)
# print(dict_data)
result_list = dict_data['subjects']
data_list = []
# 获取电视列表数据
for result in result_list:
temp = {}
temp['title'] = result['title']
temp['rate'] = result['rate']
temp['url'] = result['url']
data_list.append(temp)
# 返回数据列表
return data_list
# 保存电视数据
def save_data(self,data_list):
# 遍历列表
for data in data_list:
str_data = json.dumps(data,ensure_ascii=False) + ',\n'
self.file.write(str_data)
# 关闭文件对象
def __del__(self):
self.file.close()
def run(self):
# 1、构建请求头和url
# 2、发送请求,获取数据
data = self.get_data()
# 3、解析数据
data_list = self.parse_data(data)
# 4、保存文件
self.save_data(data_list)
if __name__ == '__main__':
douban = Douban()
douban.run()
python爬虫json_python爬虫数据提取一之json相关推荐
- Python爬虫学习之数据提取(Beautiful Soup)
Python爬虫学习之数据提取Beautiful Soup 前期回顾 概述 解析器 准备工作 实例 节点选择器 方法选择器 find_all find 总结 前期回顾 Python爬虫学习之reque ...
- Python爬虫学习之数据提取(XPath)
Python爬虫学习之数据提取XPath 概述 常用规则 运算符及介绍 准备工作 实例 文本获取 属性获取 属性值匹配 属性多值匹配 多属性匹配 按序选择 概述 XPath的全称是XML Path L ...
- [Python爬虫] 六、数据提取之XPath与lxml类库
往期内容提要: [Python爬虫] 一.爬虫原理之HTTP和HTTPS的请求与响应 [Python爬虫] 二.爬虫原理之定义.分类.流程与编码格式 [Python爬虫] 三.数据抓取之Request ...
- scrapy 保存mysql_scrapy爬虫事件以及数据保存为txt,json,mysql
今天要爬取的网页是虎嗅网 我们将完成如下几个步骤: 创建一个新的Scrapy工程 定义你所需要要抽取的Item对象 编写一个spider来爬取某个网站并提取出所有的Item对象 编写一个Item Pi ...
- linux下python识别excel,Python操作Excel之数据提取
最近发现excel数据量极大,并且通过简单的数据操作不能提取到我需要的数据,如果单独操作,数据量太大耗时太长. 想着通过简单的方式,并且快速提取数据,就想到了Python. python操作Excel ...
- python对excel指定数据提取并保存到另一excel表中(一)
实现过程: 一,遍历目标文件夹并筛选出'.xls'或'.xlsx'格式的表存入到数组中. 二,数组存储筛选出表的指定数据. 三,excel数据存储的起始数据为指定sheet的数据条数+1. impor ...
- python操作表格,数据提取分析用法(1)
之前我在博客里贴出了操作表格的代码,后面有2位粉丝私聊我说不会用啊,不知道怎么用,我听了之后就立马想出一篇如何使用的博客,谁叫我爱粉丝咧 好废话不多说,先贴出操作表格代码的地址 点这里 我们先从第一个 ...
- vue xlsx 导入导出_只需三步vue实现excel文件数据提取并存为json数据
前言: 以前将excel数据导入到数据库是通过前端,将excel文件上传到后端,通过后端语言进行相应的加工将excel文件中的数据取出并存入数据库:从而实现数据库的存入流程.但是这也带来了一些问题,首 ...
- java json删除指定元素_简洁而优雅,Python Tablib实现将数据导出为Excel, Json等N种格式...
遇见 Tablib 我们在 Python 实际开发过程中,经常涉及将数据导出为 Excel.Csv.Yaml.Json 等各种格式的文件的需求,一些粗鲁的实现方式是通过安装各种第三方模块以支持不同格式 ...
最新文章
- Google正式将网速列为网站排名因素
- [收藏]整理了一些T-SQL技巧
- 类与接口(三)java中的接口与嵌套接口
- SAP中事务代码ME2N中引出的表格里,仍要Invoice数量是什么含义?
- php表单写入数据库,php表单写入数据库
- [转]定了!2020年,6种将死的编程语言!
- bootstrap中表格、修饰图片、浮动、背景框、提示框及关闭提示框、元素淡入淡出及jQuery中操作类名
- 洛谷P2050 美食节
- SpringCloud 从菜鸟到大牛之二 服务注册与发现 Sping Cloud Eureka
- 传输层协议的UDP和TCP
- 父子页面iframe相互调用方法详解
- (转)重写重载多态,接口与类
- 2.自编码器(去噪自编码器,DAE)
- 【学习笔记】Task3 食物声音识别-音频数据特征提取
- Android Excel 解析 xls 和 xlsx,方法也可以很简单
- Ubuntu下WPS 快捷键、使用方法总结
- 初中参观机器人博物馆的作文_参观机器人博物馆作文
- Windows平台下面MD5 SHA1 SHA256命令行工具
- 【Datawhale】之LeetCode分类练习(分治)
- Adobenbsp;photoshopnbsp;cs5,dreamweavernbsp;…