背景介紹
我們知道再爬蟲的過程中我們對於爬取到的網頁數據需要進行解析,因為大多數數據是不需要的,所以我們需要進行數據解析,常用的數據解析方式有正則表達式,xpath,bs4,這次我們來介紹一下另一個數據解析庫--Jsonpath,在此之前我們需要先了解一下什麼是JSON。
一、初識Json
JSON(JavaScript Object Notation) 是一種輕量級的數據交換格式,它使得人們很容易的進行閱讀和編寫。同時也方便了機器進行解析和生成。適用於進行數據交互的場景,比如網站前台與後台之間的數據交互。
Python 2.7及之後版本,自帶了JSON模塊,直接import json
就可以使用了。
官方文檔:http://docs.Python.org/library/json.html
Json在線解析網站:http://www.json.cn/#
二、Json的基本使用
簡介
json簡單說就是javascript中的對象和數組,所以這兩種結構就是對象和數組兩種結構,通過這兩種結構可以表示各種複雜的結構;
-
對象:對象在js中表示為
{ }
括起來的內容,數據結構為{ key:value, key:value, ... }
的鍵值對的結構,在面向對象的語言中,key為對象的屬性,value為對應的屬性值,所以很容易理解,取值方法為 對象.key 獲取屬性值,這個屬性值的類型可以是數字、字符串、數組、對象這幾種。 -
數組:數組在js中是中括號括起來的內容,數據結構為
["Python", "javascript", "C++", ...]
,取值方式和所有語言中一樣,使用索引獲取,欄位值的類型可以是 數字、字符串、數組、對象幾種。
使用
json模塊提供了四個功能:dumps
、dump
、loads
、load
,用於字符串 和 python數據類型間進行轉換。
把Json格式字符串解碼轉換成Python對象 從json到python的類型轉化對照如下:
JSON | Python |
---|---|
object | dict |
array | list |
string | unicode |
number(int) | int,long |
number(real) | float |
true(false) | True(False) |
None |
1.json.loads
import json
strDict = '{"city": "廣州", "name": "小黑"}'
r = json.loads(strDict) # json數據自動按Unicode存儲
print(r)
結果如下:
{'city': '廣州', 'name': '小黑'}
2. json.load
讀取文件中json形式的字符串元素 轉化成python類型
import json
s = json.load(open('test.json','r',encoding='utf-8'))
print(s,type(s))
結果如下:
{'city': '廣州', 'name': '小黑'} <class 'dict'>
3. json.dumps
實現python類型轉化為json字符串,返回一個str對象 把一個Python對象編碼轉換成Json字符串
import json
listStr = [1, 2, 3, 4]
dictStr = {"city": "北京", "name": "大貓"}
s1 = json.dumps(listStr)
s2 = json.dumps(dictStr,ensure_ascii=False)
print(s1,type(s1))
print(s2)
結果如下:
[1, 2, 3, 4] <class 'str'>{"city": "北京", "name": "大貓"} <class 'str'>
注意:
-
json.dumps 序列化時默認使用的ascii編碼
-
添加參數 ensure_ascii=False 禁用ascii編碼,按utf-8編碼
4. json.dump
將Python內置類型序列化為json對象後寫入文件
import json
json_info = "{'age': '12'}"
file = open('ceshi.json','w',encoding='utf-8')
json.dump(json_info,file)
結果如下:
ceshii,json(目錄文件產生)
三、JsonPath
JsonPath 是一種信息抽取類庫,是從JSON文檔中抽取指定信息的工具,提供多種語言實現版本,包括:Javascript, Python, PHP 和 Java。
JsonPath 對於 JSON 來說,相當於 XPATH 對於 XML。
https://pypi.python.org/pypi/jsonpath
安裝方法:點擊
Download URL
連結下載jsonpath,解壓之後執行python setup.py install
官方文檔:http://goessner.net/articles/JsonPath
JsonPath與XPath語法對比
Json結構清晰,可讀性高,複雜度低,非常容易匹配,下表中對應了XPath的用法。
XPath | JSONPath | 描述 |
---|---|---|
/ |
$ |
根節點 |
. |
@ |
現行節點 |
/ |
. or |
取子節點 |
.. |
n/a | 取父節點,Jsonpath未支持 |
// |
.. |
就是不管位置,選擇所有符合條件的條件 |
* |
* |
匹配所有元素節點 |
@ |
n/a | 根據屬性訪問,Json不支持,因為Json是個Key-value遞歸結構,不需要。 |
疊代器表示(可以在裡邊做簡單的疊代操作,如數組下標,根據內容選值等) | ||
| | [,] |
支持疊代器中做多選。 |
? |
支持過濾操作. | |
n/a | 支持表達式計算 | |
n/a | 分組,JsonPath不支持 |
四、案例測試
我們爬取淘票票官網的城市信息,保存為json文件,進行jsonpath語法測試,獲取所有城市名稱。
請求
import requests
import 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裡面的鍵值對最好都加上,還是有反爬的,該網站,這裡為了簡便省去了;
保存數據
content = result.split('(')[1].split(')')[0] # 由於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)
打開json文件如下所示:
解析數據
這裡我們獲取全部城市名稱
import json
import jsonpath
obj = json.load(open('tpp.json','r',encoding='utf-8')) # 注意,這裡是文件的形式,不能直接放一個文件名的字符串
city_list = jsonpath.jsonpath(obj,'$..regionName') # 文件對象 jsonpath語法
print(city_list)
結果如下:
五、總結
我們知道json是一種常見的數據傳輸形式,所以對於爬取數據的數據解析,json的相關操作是比較重要的,能夠加快我們的數據提取效率,本文簡單介紹了json和jsonpath的相關操作,對於測試網站(淘票票)的json做了簡單的數據解析,感興趣的小夥伴可以把其他數據解析一下。