爬虫——json模块与jsonpath模块
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相比较可谓不相上下。
Python 3.X中自带了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/#
JSON
json简单来说就是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{key1: value1, key2:value2, ...}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。
- 数组:数组在js中是[ ]括起来的内容,数据结构为['Python', ‘JavaScript', 'C++', ...],取值方式和所有语言一样,使用索引获取,字段值的类型可以是数字、字符串、数组、对象。
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.dumps()
实现Python类型转化为Json字符串,返回一个str对象,从Python到Json的类型转换对照如下:
Python | Json |
dict | object |
list, tuple | array |
str, utf-8 | string |
int, float | number |
True | true |
False | false |
None | null |
#!/usr/bin/python3 # -*- coding:utf-8 -*- __author__ = 'mayi' import json listStr = [1, 2, 3, 4] tupleStr = (1, 2, 3, 4) dictStr = {"city": "北京", "name": "蚂蚁"} print(json.dumps(listStr)) # [1, 2, 3, 4] print(type(json.dumps(listStr))) # <class 'str'> print(json.dumps(tupleStr)) # [1, 2, 3, 4] print(type(json.dumps(tupleStr))) # <class 'str'> # 注意:json.dumps() 序列化时默认使用的ascii编码 # 添加参数 ensure_ascii=False 禁用ascii编码,按utf-8编码 print(json.dumps(dictStr, ensure_ascii = False)) # {"city": "北京", "name": "蚂蚁"} print(type(json.dumps(dictStr, ensure_ascii = False))) # <class 'str'>
2.json.dump()
将Python内置类型序列化为Json对象后写入文件
#!/usr/bin/python3 # -*- coding:utf-8 -*- __author__ = 'mayi' import json listStr = [{"city": "北京"}, {"name": "蚂蚁"}] json.dump(listStr, open("listStr.json", "w", encoding = "utf-8"), ensure_ascii = False) dictStr = {"city": "北京", "name": "蚂蚁"} json.dump(dictStr, open("dictStr.json", "w", encoding = "utf-8"), ensure_ascii = False)
3.json.loads()
把Json格式字符串解码转换成Python对象,从Json到Python的类型转换对照如下:
Json | Python |
object | dict |
array | list |
string | utf-8 |
number(int) | int |
number(real) | float |
true | True |
false | False |
null | None |
#!/usr/bin/python3 # -*- coding:utf-8 -*- __author__ = 'mayi' import json strList = '[1, 2, 3, 4]' strDict = '{"city": "北京", "name": "蚂蚁"}' print(json.loads(strList)) # [1, 2, 3, 4] # json数据自动按utf-8存储 print(json.loads(strDict)) # {'city': '北京', 'name': '蚂蚁'}
4.json.load()
读取文件中Json形式的字符串,转换成Python类型
#!/usr/bin/python3 # -*- coding:utf-8 -*- __author__ = 'mayi' import json strList = json.load(open("listStr.json", "r", encoding = "utf-8")) print(strList) # [{'city': '北京'}, {'name': '蚂蚁'}] strDict = json.load(open("dictStr.json", "r", encoding = "utf-8")) print(strDict) # {'city': '北京', 'name': '蚂蚁'}
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:下载后解压之后执行 python setup.py install
- 官方文档:http://goessner.net/articles/JsonPath
JsonPath与XPath语法对比:
JsonPath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 |
// | .. | 不管位置,选择所有符合条件的节点 |
* | * | 匹配所有元素节点 |
@ | n/a | 根据属性访问,JsonPath不支持 |
[] | [] | 迭代器(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 |
示例:
以拉勾网城市JSON文件:http://www.lagou.com/lbs/getAllCitySearchLabels.json 为例,获取所有的城市名称。
#!/usr/bin/python3 # -*- coding:utf-8 -*- __author__ = 'mayi' import urllib.request import json import jsonpath # 拉勾网城市JSON文件 url = 'http://www.lagou.com/lbs/getAllCitySearchLabels.json' # User-Agent头 header = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/39.0.2171.71 Safari/537.36'} # url 连同 headers,一起构造Request请求,这个请求将附带 chrome 浏览器的User-Agent request = urllib.request.Request(url, headers = header) # 向服务器发送这个请求 response = urllib.request.urlopen(request) # 获取页面内容:bytes html = response.read() # 转码:bytes转str html = html.decode("utf-8") # 把json格式字符串转换成python对象 obj = json.loads(html) # 从根节点开始,匹配name节点 city_list = jsonpath.jsonpath(obj, '$..name') # 打印获取的name节点 print(city_list) # 打印其类型 print(type(city_list)) # 写入本地磁盘文件 with open("city.json", "w", encoding = "utf-8") as f: content = json.dumps(city_list, ensure_ascii = False) f.write(content)