数据提取之JSON与JsonPATH

案例：使用BeautifuSoup4的爬虫

我们以网易社招页面来做演示：

使用BeautifuSoup4解析器，将招聘网页上的职位名称、职位类别、招聘人数、工作地点、发布时间，以及每个职位详情的点击链接存储出来。

import json import requests from bs4 import BeautifulSoup class WangYiSpider(object): def __init__(self): self.base_url = "https://hr.163.com/position/list.do?positionName=&currentPage=" self.page = 1 # 初始化一个字典列表,保存职位信息 self.item_list = [] self.headers = { "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.181 Safari/537.36"} def send_request(self, full_url): response = requests.get(full_url, headers=self.headers) return response def parse_response(self, response): html = response.content.decode("utf-8") soup = BeautifulSoup(html, "lxml") node_list = soup.find_all("tr", attrs={"id":""}) node_list.pop(0) for node in node_list: item = {} # 遍历css选择器列表 for name in node.select("td a"): # 从a标签获取职位内容, 保存到字典中 item["position_name"] = name.get_text() # 部门 item["bumen"] = node.find_all("td")[1].get_text() print(item["bumen"]) # 职位 item["position"] = node.find_all("td")[2].get_text() # 工作类型 item["work_type"] = node.find_all("td")[3].get_text() # 工作地点 item["work_place"] = node.find_all("td")[4].get_text() # 招聘人数 item["counts"] = node.find_all("td")[5].get_text() # 发布时间 item["time"] = node.find_all("td")[6].get_text() # 链接详情 item["link"] = node.find_all("td")[0].a.get("href") # 每次循环获取一个职位信息，并保存在同一个列表中 self.item_list.append(item) def save_data(self): """ 实现数据存储 """ # 写入了Unicode字符串的json数据 # 将Python的列表 转为 Json字符串 json_str = json.dumps(self.item_list) # 写入json字符串数据到文件中 with open("wangyi.json", "w") as f: f.write(json_str) # 写入utf-8字符串的json数据（Python2 需要通过sys模块修改解释器编码即可） # json_str = json.dumps(self.item_list, ensure_ascii=False) # # 写入json字符串数据到文件中 # with open("wangyi.json", "w") as f: # f.write(json_str) def main(self): while True: q = input("q退出") if q == "q" or self.page == 125: break full_url = self.base_url + str(self.page) response = self.send_request(full_url=full_url) self.parse_response(response) self.save_data() self.page += 1 if __name__ == '__main__': spider = WangYiSpider() spider.main() 练习： 根据url:https://www.xinpianchang.com/channel/index/type-/sort-like/duration_type-0/resolution_type-/page-2 抓取新片场列表页的数据: 用户名，作者信息，保存片场名， 视频来源，观看次数，点赞数。并将数据保存在json文件中 # xin_pian_chang_bs4.py

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-oSMBuCQe-1572484834755)(assets/1567060774891.png)]

——————————————————————————————————————————

（五）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": "小明"}' 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'\u5c0f\u660e'}

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": "小明"} 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": "\u5c0f\u660e"} # 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": "小明"}

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) # [{"city": "\u5317\u4eac", "name": "\u5c0f\u660e"}] strDict = json.load(open("dictStr.json")) print(strDict)

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。

XPathJSONPath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