Python 爬虫从入门到进阶之路(十四)
之前的文章我们已经可以根据 re 模块,Xpath 模块和 BeautifulSoup4 模块来爬取网站上我们想要的数据并且存储在本地,但是我们并没有对存储数据的格式有要求,本章我们就来看数据的存储格式 JSON 及 Python 中的 json 模块。
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 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。
Python中 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:
import json strList = '[1, 2, 3, 4]'
strDict = '{"city": "北京", "name": "大猫"}' print(json.loads(strList)) # [1, 2, 3, 4]
print(json.loads(strDict)) # {'city': '北京', 'name': '张三'}
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:
import json listStr = [1, 2, 3, 4]
tupleStr = (1, 2, 3, 4)
dictStr = {"city": "北京", "name": "张三"} print(json.dumps(listStr)) # '[1, 2, 3, 4]'
print(json.dumps(tupleStr)) # '[1, 2, 3, 4]'
print(json.dumps(dictStr)) # '{"city": "\u5317\u4eac", "name": "\u5f20\u4e09"}'
3. json.dump()
将Python内置类型序列化为json对象后写入文件
import json listStr = [{"city": "北京"}, {"name": "张三"}]
json.dump(listStr, open("listStr.json", "w")) dictStr = {"city": "北京", "name": "李四"}
json.dump(dictStr, open("dictStr.json", "w"), ensure_ascii=False) # 添加参数 ensure_ascii=False 禁用ascii编码,按utf-8编码
输出结果:
4. json.load()
读取文件中json形式的字符串元素 转化成python类型
import json strList = json.load(open("listStr.json"))
print(strList) # [{'city': '北京'}, {'name': '张三'}] strDict = json.load(open("dictStr.json"))
print(strDict) # {'city': '北京', 'name': '李四'}
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
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。 |
[] |
[] |
迭代器标示(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 |
示例:
我们以拉勾网城市JSON文件 https://www.lagou.com/lbs/getAllCitySearchLabels.json 为例,获取所有城市。
import urllib.request
import json
import jsonpath
import ssl # 取消代理验证
ssl._create_default_https_context = ssl._create_unverified_context url = 'https://www.lagou.com/lbs/getAllCitySearchLabels.json'
headers = {
"User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.121 Safari/537.36"}
# 发送请求
request = urllib.request.Request(url, headers=headers)
response = urllib.request.urlopen(request)
html = response.read().decode("utf-8")
# 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') fp = open('city.json', 'w')
content = json.dumps(citylist, ensure_ascii=False)
fp.write(content)
fp.close()
程序启动后会在本地生成一个 city.json 的文件,结果如下:
最新文章
- springmvc和struts2的区别
- 浅析c#中登录窗体和欢迎窗体关闭的问题
- Nginx环境下http和https可同时访问方法
- Angular.js 以及个人学习网站
- (sql server)数据分页的实现
- Android M(6.0) 权限爬坑之旅
- Vsftp配置都没有问题 连接不上 530 Login incorrect 解决方法
- mycat安装与配置
- java工作流引擎Jflow父子流程demo
- 2018-2019-2 网络对抗技术 20165231 Exp2 后门原理与实践
- github/gitee使用办法2
- Python爬虫与数据分析之模块:内置模块、开源模块、自定义模块
- 谈一谈java里面的反射机制
- redis 版的 hello world
- img图片加载出错处理(转载)
- 可执行代码(Executable Code)目标代码(object code)
- 反射中setAccessible()方法
- 《python源代码剖析》笔记 python环境初始化
- php性能分析工具xhprof
- python_Appium测试环境搭建
热门文章
- opengl实现直线扫描算法和区域填充算法
- INCORRECT PERMISSIONS ON /USR/LIB/PO1KIT-AGENT-HELPER-1(NEEDS TO BE SETUID ROOT)
- C# 桌面软件开发-深入学习[2]- AY-C#人爱学不学-aaronyang技术分享
- 经典面试编程题--atoi()函数的实现(就是模拟手算,核心代码就一句total = 10 * total + (c - '0'); 但是要注意正负号、溢出等问题)
- 应用ImageJ对荧光图片进行半定量分析
- Android零基础入门第9节:Android应用实战,不懂代码也可以开发
- intel汇编笔记
- UWP StorageFile StorageFolder StorageFileHelper
- Bokeh 0.9.0dev 发布,交互式可视化库
- qt截获html请求(继承QNetworkAccessManager和QNetworkReply)