数据提取之JSON与JsonPATH

Posted 2023-01-25

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：​​json — JSON encoder and decoder — Python 3.11.0 documentation​​

Json在线解析网站：​​JSON在线解析及格式化验证 - 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

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。

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
# ucity: u\\u5317\\u4eac, uname: 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() 处理中文时默认使用的ascii编码，会导致中文无法正常显示
print json.dumps(dictStr) 
# "city": "\\u5317\\u4eac", "name": "\\u5927\\u732b"

# 记住：处理中文时，添加参数 ensure_ascii=False 来禁用ascii编码
print json.dumps(dictStr, ensure_ascii=False) 
# "city": "北京", "name": "大刘"

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

# [ucity: u\\u5317\\u4eac, uname: u\\u5927\\u5218]

strDict = json.load(open("dictStr.json"))
print strDict
# ucity: u\\u5317\\u4eac, uname: 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。

安装方法：​​pip install jsonpath​​

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，不需要属性访问。
​​[]​​	​​[]​​	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 ​​http://www.lagou.com/lbs/getAllCitySearchLabels.json​​ 为例，获取所有城市。

# jsonpath_lagou.py

import urllib2
import jsonpath
import json

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​​

如：

dataDict = json.loads(jsonStrGBK);

jsonStrGBK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");

附：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。

# 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​​