数据提取之JSON与JsonPATH

时间：2024-11-17 08:01:41

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：/library/

Json在线解析网站：/#

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. ()

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"}'

(strList) 
# [1, 2, 3, 4]

(strDict) # json数据自动按Unicode存储
# {u'city': u'\u5317\u4eac', u'name': u'\u5927\u732b'}

2. ()

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"}

(listStr)
# '[1, 2, 3, 4]'
(tupleStr)
# '[1, 2, 3, 4]'

# 注意：() 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
# ()返回字典, 其中confidence是检测精确度

(dictStr) 
# '{"city": "\\u5317\\u4eac", "name": "\\u5927\\u5218"}'

((dictStr))
# {'confidence': 1.0, 'encoding': 'ascii'}

print (dictStr, ensure_ascii=False) 
# {"city": "北京", "name": "大刘"}

((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. ()

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"}]
(listStr, open("","w"), ensure_ascii=False)

dictStr = {"city": "北京", "name": "大刘"}
(dictStr, open("","w"), ensure_ascii=False)

4. ()

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 = (open(""))
print strList

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

strDict = (open(""))
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：/pypi/jsonpath

安装方法：点击Download URL链接下载jsonpath，解压之后执行python install

官方文档：/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 /lbs/ 为例，获取所有城市。

# jsonpath_lagou.py

import urllib2
import jsonpath
import json
import chardet

url = '/lbs/'
request =(url)
response = (request)
html = ()

# 把json格式字符串转换成python对象
jsonobj = (html)

# 从根节点开始，匹配name节点
citylist = (jsonobj,'$..name')

print citylist
print type(citylist)
fp = open('','w')

content = (citylist, ensure_ascii=False)
print content

(('utf-8'))
()

注意事项：

() 是把 Json格式字符串解码转换成Python对象，如果在的时候出错，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 = (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 = (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()

``` python

dataJsonStrUni = ("GB2312"); dataDict = (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 = ("UTF-8")

# 2. 再将 Unicode 编码格式字符串 转换成 GBK 编码
gbkData = ("GBK")

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

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


相关文章