Python爬虫(十三)_JSON模块与JsonPath
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。
- 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。
import json
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:
#json_loads.pyimport jsonstrList = '[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:
#json_dumps.py#-*- coding:utf-8 -*-import json import chardetlistStr = [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.pyimport jsonlistStr = [{"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 jsonstrList = 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) |
| | [,] | 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 chardeturl = "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
参考链接:https://www.cnblogs.com/miqi1992/category/1105419.html
转载于:https://www.cnblogs.com/moying-wq/p/11570013.html
Python爬虫(十三)_JSON模块与JsonPath相关推荐
- Python爬虫进阶——urllib模块使用案例【淘宝】
Python爬虫基础--HTML.CSS.JavaScript.JQuery网页前端技术 Python爬虫基础--正则表达式 Python爬虫基础--re模块的提取.匹配和替换 Python爬虫基础- ...
- Python爬虫之urllib模块2
Python爬虫之urllib模块2 本文来自网友投稿 作者:PG-55,一个待毕业待就业的二流大学生. 看了一下上一节的反馈,有些同学认为这个没什么意义,也有的同学觉得太简单,关于Beautiful ...
- python爬虫之bs4模块(超详细)
python爬虫之bs4模块(超详细) 一.bs4简介 二.使用方法 三.BeautifulSoup四大对象种类 (1)tag (2)NavigableString (3)BeautifulSoup ...
- python jsonpath库_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 ...
- python爬虫之requests模块2
python网络爬虫之requests模块 session处理cookie proxies参数设置请求代理ip 基于线程池的数据爬取 一 获取验证码 步骤: 1 注册云大码 http://www. ...
- Python爬虫-02 request模块爬取妹子图网站
简介 #介绍:使用requests可以模拟浏览器的请求,比起之前用到的urllib,requests模块的api更加便捷(本质就是封装了urllib3)#注意:requests库发送请求将网页内容下载 ...
- 浅谈Python爬虫之BeautifulSoup模块
目录 前言 安装库 导入库 解析文档示例 提取数据示例 CSS选择器 实例小项目 总结 前言 BeautifulSoup是主要以解析web网页的Python模块,它会提供一些强大的解释器,以解析网 ...
- Python爬虫【urllib模块】
通用爬虫 爬虫的一般流程 1 初始化一批URL,将这些URL放入队列 2 从队列中取出这些URL,通过DNS解析IP,对IP对应的网站下载HTML页面,保存到本地服务器中,爬取完的URL放到已爬取队列 ...
- Python爬虫之Requests模块巩固深入案例
爬虫之Requests模块巩固深入案例 requests实战之网页采集器 requests实战之破解百度翻译 requests实战之豆瓣电影爬取 requests实战之肯德基餐厅位置爬取 reques ...
最新文章
- Google Map API 开发基础--01
- 零基础是学java还是python-老男孩零基础学习|python和java那个更有发展前景?
- Go中线程和协程的区别
- Python DataFrame删除某一列中包含的特定元素所在的行
- G6 图可视化引擎——核心概念——节点/边/Combo——内置节点——内置节点总览
- (libgdx学习)TextInputListener
- vsftpd 配置-使用虚拟账户登录
- 用计算机用两个珠子能拨出那些数字,人教版一年级数学上册第三单元教案
- Handler消息机制详解,另对于MessageQueue阻塞线程的详解
- Mac怎么读写NTFS格式?Mac电脑重新安装NTFS卷
- 将csv格式转换为excel后缀为xlsx
- 照片拼图制作怎么弄?这几个方法或许能帮到你
- linux打开文件管理器的快捷键
- probability是什么意思_probability是什么意思_probability怎么读_probability翻译_用法_发音_词组_同反义词_可能性-新东方在线英语词典...
- JAVA电子产品购物平台计算机毕业设计Mybatis+系统+数据库+调试部署
- 复信号的傅里叶变换是什么?频谱是什么样子的?3D频谱图长啥样子?
- 在ipad上刷android系统更新,全自动刷安卓4.0 索尼SGPT111刷机教程
- jQuery 插件—— 懒加载
- 「低代码系列报道」华为云打造行业aPaaS集群,抢占SaaS发展黄金十年
- python中,设置三维图图形显示区银灰色背景为白色,或者是其他颜色