共计 5222 个字符,预计需要花费 14 分钟才能阅读完成。
结构化的数据是最好解决,个别都是相似 JSON 格局的字符串,间接解析 JSON 数据,提取 JSON 的关键字段即可。
JSON
JSON(JavaScript Object Notation) 是一种轻量级的数据交换格局;实用于进行数据交互的场景,比方网站前台与后盾之间的数据交互
Python 3.x 中自带了 JSON 模块,间接 import json 就能够应用了。
Json 模块提供了四个性能:dumps、dump、loads、load, 用于字符串 和 python 数据类型间进行转换
Python 操作 json 的规范 api 库参考 https://docs.python.org/zh-cn…://tool.oschina.net/codeformat/json
1. json.loads()
实现:json 字符串 转化 python 的类型,返回一个 python 的类型
从 json 到 python 的类型转化对照如下:
import json
a="[1,2,3,4]"
b='{"k1":1,"k2":2}'# 当字符串为字典时 {} 里面必须是 ''单引号 {} 外面必须是"" 双引号
print json.loads(a)
[1, 2, 3, 4]
print json.loads(b)
{'k2': 2, 'k1': 1}
案例
获取豆瓣电影热门
import urllib.parse
import urllib.request
import json
url='https://movie.douban.com/j/search_subjects?type=movie&tag=%E7%83%AD%E9%97%A8&page_limit=50&page_start=0'
# 豆瓣最新 热门
herders={'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/85.0.4183.102 Safari/537.36', 'Referer':'https://movie.douban.com','Connection':'keep-alive'}
# 申请头信息
req = urllib.request.Request(url,headers=herders)
# 设置申请头
response=urllib.request.urlopen(req)
# 发动申请,失去 response 响应
hjson = json.loads(response.read())
# json 转换为字典
# 遍历字典中的电影,item 是每条电影信息
for item in hjson["subjects"]:
print(item["rate"],item["title"])
# 打印每条电影的评分与题目
输入
6.9 神弃之地
7.2 从邪恶中援救我
6.1 福尔摩斯小姐:失踪的侯爵
6.2 夺命隧道
6.3 OK 老板娘
7.3 我想完结这所有
8.3 鸣鸟不飞:乌云密布
7.7 1/ 2 的魔法
7.8 树上有个好中央
6.3 妙学生
5.1 釜山行 2:半岛
...
2. json.dumps()
实现 python 类型转化为 json 字符串,返回一个 str 对象
从 python 原始类型向 json 类型的转化对照如下:
import json
a = [1,2,3,4]
b ={"k1":1,"k2":2}
c = (1,2,3,4)
json.dumps(a)
'[1, 2, 3, 4]'
json.dumps(b)
'{"k2": 2,"k1": 1}'
json.dumps(c)
'[1, 2, 3, 4]'
json.dumps 中文编码问题
如果 Python Dict 字典含有中文,json.dumps 序列化时对中文默认应用的 ascii 编码
import chardet
import json
b = {"name":"中国"}
json.dumps(b)
'{"name":"\\u4e2d\\u56fd"}'
print json.dumps(b)
{"name": "\u4e2d\u56fd"}
chardet.detect(json.dumps(b))
{'confidence': 1.0, 'encoding': 'ascii'}
‘ 中国 ’ 中的 ascii 字符码,而不是真正的中文。
想输入真正的中文须要指定ensure_ascii=False
json.dumps(b,ensure_ascii=False)
'{"name":"\xe6\x88\x91"}'
print json.dumps(b,ensure_ascii=False)
{"name": "我"}
chardet.detect(json.dumps(b,ensure_ascii=False))
{'confidence': 0.7525, 'encoding': 'utf-8'}
3. json.dump()
import json
a = [1,2,3,4]
json.dump(a,open("digital.json","w"))
b = {"name":"我"}
json.dump(b,open("name.json","w"),ensure_ascii=False)
json.dump(b,open("name2.json","w"),ensure_ascii=True)
4. json.load()
读取 文件中 json 模式的字符串元素 转化成 python 类型
import json
number = json.load(open("digital.json"))
print(number)
b = json.load(open("name.json"))
print(b)
b.keys()
print b['name']
</pre>
实战我的项目
获取 lagou 城市表信息
import urllib.parse
import urllib.request
import json
url='http://www.lagou.com/lbs/getAllCitySearchLabels.json?'
# 拉钩城市列表
herders={'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/85.0.4183.102 Safari/537.36', 'Referer':'http://www.lagou.com','Connection':'keep-alive'}
# 申请头信息
req = urllib.request.Request(url,headers=herders)
# 设置申请头
response=urllib.request.urlopen(req)
# 发动申请,失去 response 响应
hjson = json.loads(response.read())
# print(hjson)
# json 转换为字典
# 遍历字典中 A 结尾的城市列表
for item in hjson["content"]["data"]["allCitySearchLabels"]["A"]:
print(item["name"],item["code"])
# 打印 A 结尾的城市革除与代码
输入:
安阳 171500000
安庆 131800000
鞍山 081600000
安顺 240400000
健康 270400000
阿克苏 311800000
阿拉善盟 070300000
阿勒泰 310400000
阿坝藏族羌族自治州 230700000
JSONPath
JSON 信息抽取类库,从 JSON 文档中抽取指定信息的工具
JSONPath 与 Xpath 区别
JsonPath 对于 JSON 来说,相当于 XPATH 对于 XML。
下载地址:
https://pypi.python.org/pypi/…
装置办法:pip install jsonpath
参考文档
XPath | JSONPath | Result |
---|---|---|
/store/book/author |
$.store.book[*].author* |
获取所有 store 中的 book 的 author |
//author |
$..author |
获取所有 authors |
/store/ |
$.store. |
all things in store, which are some books and a red bicycle. |
/store//price |
$.store..price |
获取 store 中所有的 price |
//book[3] |
$..book[2] |
第二个 book |
//book[last()] |
$..book[(@.length-1)] `$..book[-1:]` |
获取到最初一个 book |
//book[position()<3] |
$..book[0,1] `$..book[:2]` |
获取到前两个 books |
//book[isbn] |
$..book[?(@.isbn)] |
获取到有 isbn 属性的 book |
//book[price<10] |
$..book[?(@.price<10)] |
获取所有的 book,price 小于 10 |
// |
$..* |
匹配任意元素 |
案例
还是以 http://www.lagou.com/lbs/getA… 为例,获取所有城市
import urllib.request
import json
import jsonpath
url='http://www.lagou.com/lbs/getAllCitySearchLabels.json'
# 拉钩城市列表
herders={'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/85.0.4183.102 Safari/537.36', 'Referer':'http://www.lagou.com','Connection':'keep-alive'}
# 申请头信息
req = urllib.request.Request(url,headers=herders)
# 设置申请头
response=urllib.request.urlopen(req)
# 发动申请,失去 response 响应
hjson = json.loads(response.read())
# 将字符加载为 json 对象
citylist = jsonpath.jsonpath(hjson,'$..name')
# 获取到所有的 城市名称
# print (type(citylist)) # <class 'list'>
content = json.dumps(citylist,ensure_ascii=False)
# 列表转换为 json 字符串,不应用 ascii 编码,fp = open('city.json','w')
# 关上文件
fp.write(content)
# 写入文件
fp.close()
# 敞开文件
输入文件为
XML
xmltodict 模块让应用 XML 感觉跟操作 JSON 一样
Python 操作 XML 的第三方库参考:
https://github.com/martinblec…
模块装置:
pip install xmltodict
import xmltodict
bookdict = xmltodict.parse("""
<bookstore>
<book>
<title lang="eng">Harry Potter</title>
<price>29.99</price>
</book>
<book>
<title lang="eng">Learning XML</title>
<price>39.95</price>
</book>
</bookstore>
""")
print (bookdict.keys())
[u'bookstore']
print(json.dumps(bookdict,indent=4))
输入后果:
{
"bookstore": {
"book": [
{
"title": {
"@lang": "eng",
"#text": "Harry Potter"
},
"price": "29.99"
},
{
"title": {
"@lang": "eng",
"#text": "Learning XML"
},
"price": "39.95"
}
]
}
}
单词表
"""
单词表
content 内容
loads 加载
dumps 输入(倾倒)citylist 城市列表
JSON(JavaScript Object Notation)
(JS 对象对象表述数据)
path 门路
request 申请
headers 头信息
response 响应
read 读取
content 内容
"""
数据提取总结
- HTML、XML
XPath
CSS 选择器
正则表达式
- JSON
JSONPath
转化成 Python 类型进行操作(json 类)
- XML
转化成 Python 类型(xmltodict)XPath
CSS 选择器
正则表达式
- 其余(js、文本、电话号码、邮箱地址)
正则表达式
在线练习:https://www.520mg.com/it