数据提取之JSON与JsonPATH

Python爬虫与数据挖掘

共 3758字,需浏览 8分钟

 ·

2021-12-01 20:29

点击上方“IT共享之家”,进行关注

回复“资料”可获赠Python学习福利

蜡烛有心还惜别,替人垂泪到天明。

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:dumpsdumploadsload,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:

JSONPython
objectdict
arraylist
stringunicode
number(int)int,long
number(real)float
true(false)True(False)
nullNone


1.json.loads()

import json
strDict = '{"city": "广州", "name": "小黑"}'
r = json.loads(strDict) # json数据自动按Unicode存储
print(r)

结果如下:

{'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

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

结果如下:

{'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

import json
listStr = [1, 2, 3, 4]dictStr = {"city": "北京", "name": "大猫"}
s1 = json.dumps(listStr)s2 = json.dumps(dictStr,ensure_ascii=False)
print(s1,type(s1))print(s2)

结果如下:

[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

import json
json_info = "{'age': '12'}"file = open('ceshi.json','w',encoding='utf-8')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。

XPathJSONPath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

import requestsimport time
url = 'https://dianying.taobao.com/cityAction.json?activityId&_ksTS=1632211792156_137&jsoncallback=jsonp138&action=cityAction&n_s=new&event_submit_doGetAllRegion=true'
headers = { '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',}
res = requests.get(url,headers=headers)
result = res.content.decode('utf-8')
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:


解析数据

    这里我们获取全部城市名称

import jsonimport jsonpath
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
city_list = jsonpath.jsonpath(obj,'$..regionName') # 文件对象 jsonpath语法
print(city_list)

结果如下:


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。

看完本文有收获?请转发分享给更多的人

IT共享之家

入群请在微信后台回复【入群】

------------------- End -------------------

往期精彩文章推荐:

浏览 19
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报
评论
图片
表情
推荐
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报