数据提取之JSON与JsonPATH

大家好,我是Python进阶者。

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:dumps、dump、loads、load,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:

JSON

Python

object

dict

array

list

string

unicode

number(int)

int,long

number(real)

float

true(false)

True(False)

null

None

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

结果如下:

{‘city’: ‘广州’, ‘name’: ‘小黑’} <class ‘dict’>

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] <class ‘str’>{“city”: “北京”, “name”: “大猫”} <class ‘str’>

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。

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

//

..

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 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 json
import 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。

发表评论

您的电子邮箱地址不会被公开。 必填项已用*标注