数据提取之JSON与JsonPATH
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;
- 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。 - 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:
- 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
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。
相关文章
- 为什么我要迁移 SpringBoot 到函数计算
- 综述:自动驾驶的协同感知技术
- VideoMAE:简单高效的视频自监督预训练新范式
- 美国量子专家警告:2023年将是量子计算重要转折点,企业必须做好准备
- 百年微分方程难题被解决!神经元相互作用方式有了解析解描述,作者:可以模拟大脑动力学了 | MIT
- 一文看懂DRIVE Replicator:合成数据生成加速自动驾驶汽车的开发和验证
- 如何正确定义测试阶段训练?顺序推理和域适应聚类方法
- ChiQA-一个基于20万个真实用户问题的图片问答数据集
- 搞透Kafka的存储架构,用起来直接起飞!
- 同时采用边缘和云的四个理由
- 光纤通信速率破纪录!每秒能传1.84Pbit,2倍于全球互联网总流量
- 量子CNN对数据集的测试准确率高,但存在局限性
- 未来AI计算的方向,是「水芯片」?
- Nature 盘点诺奖历史,多位得主靠「计算科学」获殊荣
- IEEE Fellow 李学龙:多模态认知计算是实现通用人工智能的关键
- 你可以怀疑自动驾驶的安全性,但大数据告诉你:它确实比你开得好
- 无需下游训练,Tip-Adapter大幅提升CLIP图像分类准确率
- 存储和操作n维数据的难题,谷歌用一个开源软件库解决了
- 消息中间件该如何实现高可用架构
- 可落地的八种架构模式!