14-python爬蟲之JSON操作

結構化的資料是最好處理，一般都是類似JSON格式的字串，直接解析JSON資料，提取JSON的關鍵欄位即可。

JSON

JSON(JavaScript Object Notation) 是一種輕量級的資料交換格式；適用於進行資料互動的場景，比如網站前臺與後臺之間的資料互動

Python 3.x中自帶了JSON模組，直接import json就可以使用了。

Json模組提供了四個功能：dumps、dump、loads、load,用於字串 和 python資料型別間進行轉換

Python操作json的標準api庫參考https://docs.python.org/zh-cn/3/library/json.html線上JSON格式化程式碼http://tool.oschina.net/codeformat/json

1. json.loads()

實現：json字串 轉化 python的型別，返回一個python的型別

從json到python的型別轉化對照如下：

import json

a="[1,2,3,4]"
b='{"k1":1,"k2":2}'#當字串為字典時{}外面必須是''單引號{}裡面必須是""雙引號

print json.loads(a) 
[1, 2, 3, 4]


print json.loads(b) 
{'k2': 2, 'k1': 1}

案例

獲取豆瓣電影熱門

import urllib.parse
import urllib.request
import json
url='https://movie.douban.com/j/search_subjects?type=movie&tag=%E7%83%AD%E9%97%A8&page_limit=50&page_start=0'
# 豆瓣最新 熱門

herders={'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/85.0.4183.102 Safari/537.36', 'Referer':'https://movie.douban.com','Connection':'keep-alive'}
# 請求頭資訊

req = urllib.request.Request(url,headers=herders)
# 設定請求頭
response=urllib.request.urlopen(req)
# 發起請求，得到response響應

hjson = json.loads(response.read())
# json轉換為字典

# 遍歷字典中的電影，item是每條電影資訊
for item in hjson["subjects"]:
    print(item["rate"],item["title"])
    # 列印每條電影的評分與標題

輸出

6.9 神棄之地
7.2 從邪惡中拯救我
6.1 福爾摩斯小姐：失蹤的侯爵
6.2 奪命隧道
6.3 OK老闆娘
7.3 我想結束這一切
8.3 鳴鳥不飛：烏雲密佈
7.7 1/2的魔法
7.8 樹上有個好地方
6.3 妙先生
5.1 釜山行2：半島
...

2. json.dumps()

實現python型別轉化為json字串，返回一個str物件

從python原始型別向json型別的轉化對照如下：

import json

a = [1,2,3,4]
b ={"k1":1,"k2":2}
c = (1,2,3,4)

json.dumps(a)
'[1, 2, 3, 4]'

json.dumps(b)
'{"k2": 2, "k1": 1}'

json.dumps(c)
'[1, 2, 3, 4]'

json.dumps 中文編碼問題

如果Python Dict字典含有中文，json.dumps 序列化時對中文預設使用的ascii編碼

import chardet
import json

b = {"name":"中國"}

json.dumps(b)
'{"name": "\\u4e2d\\u56fd"}'

print json.dumps(b)
{"name": "\u4e2d\u56fd"}

chardet.detect(json.dumps(b))
{'confidence': 1.0, 'encoding': 'ascii'}

‘中國’ 中的ascii 字元碼，而不是真正的中文。

想輸出真正的中文需要指定ensure_ascii=False

json.dumps(b,ensure_ascii=False)
'{"name": "\xe6\x88\x91"}'

print json.dumps(b,ensure_ascii=False) 
{"name": "我"}



chardet.detect(json.dumps(b,ensure_ascii=False))
{'confidence': 0.7525, 'encoding': 'utf-8'}

3. json.dump()

import json
a = [1,2,3,4]

json.dump(a,open("digital.json","w"))
b = {"name":"我"}
json.dump(b,open("name.json","w"),ensure_ascii=False)
json.dump(b,open("name2.json","w"),ensure_ascii=True)

4. json.load()

讀取 檔案中json形式的字串元素 轉化成python型別

import json
number = json.load(open("digital.json"))
print( number)

b = json.load(open("name.json"))
print( b)
b.keys()
print b['name']

實戰專案

獲取 lagou 城市表資訊

import urllib.parse
import urllib.request
import json
url='http://www.lagou.com/lbs/getAllCitySearchLabels.json?'
# 拉鉤城市列表

herders={'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/85.0.4183.102 Safari/537.36', 'Referer':'http://www.lagou.com','Connection':'keep-alive'}
# 請求頭資訊

req = urllib.request.Request(url,headers=herders)

# 設定請求頭
response=urllib.request.urlopen(req)
# 發起請求，得到response響應

hjson = json.loads(response.read())
# print(hjson)
# json轉換為字典

# 遍歷字典中A開頭的城市列表
for item in hjson["content"]["data"]["allCitySearchLabels"]["A"]:
    print(item["name"],item["code"])
    # 列印A 開頭的城市清除與程式碼

輸出：

安陽 171500000
安慶 131800000
鞍山 081600000
安順 240400000
安康 270400000
阿克蘇 311800000
阿拉善盟 070300000
阿勒泰 310400000
阿壩藏族羌族自治州 230700000

JSONPath

JSON 資訊抽取類庫，從JSON文件中抽取指定資訊的工具

JSONPath與Xpath區別

JsonPath 對於 JSON 來說，相當於 XPATH 對於XML。

下載地址：

https://pypi.python.org/pypi/jsonpath/

安裝方法：pip install jsonpath

參考文件

XPath	JSONPath	Result
/store/book/author	$.store.book[*].author*	獲取所有store中的book的author
//author	$..author	獲取所有 authors
/store/	$.store.	all things in store, which are some books and a red bicycle.
/store//price	$.store..price	獲取store中所有的price
//book[3]	$..book[2]	第二個 book
//book[last()]	$..book[(@.length-1)]``$..book[-1:]	獲取到最後一個book
//book[position()<3]	$..book[0,1]``$..book[:2]	獲取到前兩個 books
//book[isbn]	$..book[?(@.isbn)]	獲取到有isbn屬性的book
//book[price<10]	$..book[?(@.price<10)]	獲取所有的book ，price小於10
//	$..*	匹配任意元素

案例

還是以 http://www.lagou.com/lbs/getAllCitySearchLabels.json 為例，獲取所有城市

import urllib.request
import json
import jsonpath
url='http://www.lagou.com/lbs/getAllCitySearchLabels.json'
# 拉鉤城市列表

herders={'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/85.0.4183.102 Safari/537.36', 'Referer':'http://www.lagou.com','Connection':'keep-alive'}
# 請求頭資訊

req = urllib.request.Request(url,headers=herders)

# 設定請求頭
response=urllib.request.urlopen(req)
# 發起請求，得到response響應

hjson = json.loads(response.read())
# 將字元載入為json物件
citylist = jsonpath.jsonpath(hjson,'$..name')
# 獲取到所有的 城市名稱

# print (type(citylist)) # <class 'list'>
content = json.dumps(citylist,ensure_ascii=False)
# 列表轉換為json 字串 ，不使用ascii編碼，
fp = open('city.json','w')
# 開啟檔案
fp.write(content)
# 寫入檔案
fp.close()
# 關閉檔案

輸出檔案為

XML

xmltodict模組讓使用XML感覺跟操作JSON一樣

Python操作XML的第三方庫參考：

https://github.com/martinblech/xmltodict

模組安裝：

pip install xmltodict

import xmltodict

bookdict = xmltodict.parse("""
        <bookstore>
            <book>
                  <title lang="eng">Harry Potter</title>
                  <price>29.99</price>
            </book>
            <book>
                  <title lang="eng">Learning XML</title>
                  <price>39.95</price>
            </book>
    </bookstore>
    """)

print (bookdict.keys())
[u'bookstore']

print(json.dumps(bookdict,indent=4))

輸出結果：

{
    "bookstore": {
        "book": [
            {
                "title": {
                    "@lang": "eng", 
                    "#text": "Harry Potter"
                }, 
                "price": "29.99"
            }, 
            {
                "title": {
                    "@lang": "eng", 
                    "#text": "Learning XML"
                }, 
                "price": "39.95"
            }
        ]
    }
}

單詞表

"""
單詞表 
content         內容
loads           載入
dumps           輸出 （傾倒）
citylist        城市列表
JSON(JavaScript Object Notation)
( JS 物件物件表述資料)
path            路徑
request         請求
headers         頭資訊
response        響應
read            讀取
content         內容

"""

資料提取總結

• HTML、XML

  XPath
  CSS選擇器
  正規表示式

• JSON

JSONPath
轉化成Python型別進行操作（json類）

• XML

轉化成Python型別（xmltodict）

  XPath
  CSS選擇器
  正規表示式

• 其他（js、文字、電話號碼、郵箱地址）

正規表示式

線上練習：https://www.520mg.com/it