数据之路 - Python爬虫 - Json模块与JsonPath

Posted 2022-06-07 iceredtea

一、什么是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。

二、Json基础功能

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‘

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‘

三、JsonPath

1.JsonPath规则

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

2.实例

# 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：

##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")

# 3. 再将 GBK 编码格式字符串 转化成 Unicode
unicodeStr = gbkData.decode("gbk")

# 4. 再将 Unicode 编码格式字符串转换成 UTF-8
utf8Str = unicodeStr.encode("UTF-8")