Python:数据提取之JSON与JsonPATH

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。

JSON和XML的比较可谓不相上下。

Python 2.7中自带了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/#

JSON

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。

import json

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。

1. json.loads()

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_loads.py

import json

strList [1, 2, 3, 4] 

strDict { city : 北京 , name : 大猫 } 

json.loads(strList) 

# [1, 2, 3, 4]

json.loads(strDict) # json数据自动按Unicode存储

# {u city : u \u5317\u4eac , u name : u \u5927\u732b }

2. 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

从python原始类型向json类型的转化对照如下

# json_dumps.py

import json

import chardet

listStr [1, 2, 3, 4]

tupleStr (1, 2, 3, 4)

dictStr { city : 北京 , name : 大猫 }

json.dumps(listStr)

# [1, 2, 3, 4] 

json.dumps(tupleStr)

# [1, 2, 3, 4] 

# 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

# chardet.detect()返回字典, 其中confidence是检测精确度

json.dumps(dictStr) 

# { city : \\u5317\\u4eac , name : \\u5927\\u5218 } 

chardet.detect(json.dumps(dictStr))

# { confidence : 1.0, encoding : ascii }

print json.dumps(dictStr, ensure_ascii False) 

# { city : 北京 , name : 大刘 }

chardet.detect(json.dumps(dictStr, ensure_ascii False))

# { confidence : 0.99, encoding : utf-8 }

chardet是一个非常优秀的编码识别模块 可通过pip安装

3. json.dump()

将Python内置类型序列化为json对象后写入文件

# json_dump.py

import json

listStr [{ city : 北京 }, { name : 大刘 }]

json.dump(listStr, open( listStr.json , w ), ensure_ascii False)

dictStr { city : 北京 , name : 大刘 }

json.dump(dictStr, open( dictStr.json , w ), ensure_ascii False)

4. json.load()

读取文件中json形式的字符串元素 转化成python类型

# json_load.py

import json

strList json.load(open( listStr.json ))

print strList

# [{u city : u \u5317\u4eac }, {u name : u \u5927\u5218 }]

strDict json.load(open( dictStr.json ))

print strDict

# {u city : u \u5317\u4eac , u name : u \u5927\u5218 }

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。

示例

我们以拉勾网城市JSON文件 http://www.lagou.com/lbs/getAllCitySearchLabels.json 为例 获取所有城市。

# jsonpath_lagou.py

import urllib2

import jsonpath

import json

import chardet

url http://www.lagou.com/lbs/getAllCitySearchLabels.json 

request urllib2.Request(url)

response urllib2.urlopen(request)

html response.read()

# 把json格式字符串转换成python对象

jsonobj json.loads(html)

# 从根节点开始 匹配name节点

citylist jsonpath.jsonpath(jsonobj, $..name )

print citylist

print type(citylist)

fp open( city.json , w )

content json.dumps(citylist, ensure_ascii False)

print content

fp.write(content.encode( utf-8 ))

fp.close()

注意事项

json.loads() 是把 Json格式字符串解码转换成Python对象 如果在json.loads的时候出错 要注意被解码的Json字符的编码。

如果传入的字符串的编码不是UTF-8的话 需要指定字符编码的参数 encoding

dataDict json.loads(jsonStrGBK);

dataJsonStr是JSON字符串 假设其编码本身是非UTF-8的话而是GBK 的 那么上述代码会导致出错 改为对应的

dataDict json.loads(jsonStrGBK, encoding GBK 

如果 dataJsonStr通过encoding指定了合适的编码 但是其中又包含了其他编码的字符 则需要先去将dataJsonStr转换为Unicode 然后再指定编码格式调用json.loads()

 python

dataJsonStrUni dataJsonStr.decode( GB2312 dataDict json.loads(dataJsonStrUni, encoding GB2312 

##字符串编码转换

这是中国程序员最苦逼的地方 什么乱码之类的几乎都是由汉字引起的。

其实编码问题很好搞定 只要记住一点

####任何平台的任何编码 都能和 Unicode 互相转换

UTF-8 与 GBK 互相转换 那就先把UTF-8转换成Unicode 再从Unicode转换成GBK 反之同理。

 python 

# 这是一个 UTF-8 编码的字符串

utf8Str 你好地球 

# 1. 将 UTF-8 编码的字符串 转换成 Unicode 编码

unicodeStr utf8Str.decode( UTF-8 )

# 2. 再将 Unicode 编码格式字符串 转换成 GBK 编码

gbkData unicodeStr.encode( GBK )

# 1. 再将 GBK 编码格式字符串 转化成 Unicode

unicodeStr gbkData.decode( gbk )

# 2. 再将 Unicode 编码格式字符串转换成 UTF-8

utf8Str unicodeStr.encode( UTF-8 )

decode的作用是将其他编码的字符串转换成 Unicode 编码

encode的作用是将 Unicode 编码转换成其他编码的字符串

一句话 UTF-8是对Unicode字符集进行编码的一种编码方式

如何使用Python对嵌套结构的JSON进行遍历获取链接并下载文件 JSON（JavaScript Object Notation）是一种基于JavaScript语言的轻量级数据交换格式，它用键值对的方式来表示各种数据类型，包括字符串、数字、布尔值、空值、数组和对象，本文展示如何使用Python对嵌套结构的JSON进行遍历获取链接并下载文件。
Lansonli CSDN大数据领域博客专家，华为云享专家、阿里云专家博主、腾云先锋（TDP）核心成员、51CTO专家博主，全网六万多粉丝，知名互联网公司大数据高级开发工程师