數(shù)據(jù)提取之JSON與JsonPATH

JSON(JavaScript Object Notation)是一種輕量級的數(shù)據(jù)交換格式，它是的人們很容易的進(jìn)行閱讀和編寫。同時也方便了機(jī)器進(jìn)行解析和生成。適用于進(jìn)行數(shù)據(jù)交互的場景，比如網(wǎng)站前臺與后臺之間的數(shù)據(jù)交互。

JSON和XML的比較可謂不相上下。

Python2.7中自帶了JSON模塊，直接import json就可以使用了。 官方博客：http://docs.python.org/library/json.html

Json在線解析網(wǎng)站：http://www.json.cn/#

JSON

json簡單說就是javascript中的對象和數(shù)組，所以這兩種結(jié)構(gòu)就是對象和數(shù)據(jù)兩種結(jié)構(gòu)，通過這兩種結(jié)構(gòu)可以表示各種復(fù)雜的結(jié)構(gòu)。

1. 對象：對象在js中表示為{}括起來的內(nèi)容，數(shù)據(jù)結(jié)構(gòu)為{key:value,key:value,…}的鍵值對的結(jié)構(gòu)，在面向?qū)ο蟮恼Z言中，key為對象的屬性，value為對應(yīng)的屬性值，所以很容易理解，取值方法為對象.key獲取屬性值，這個屬性值的類型可以是數(shù)字、字符串、數(shù)組、對象這幾種。
2. 數(shù)組：數(shù)組在js中是中括號[]括起來的內(nèi)容，數(shù)據(jù)結(jié)構(gòu)為[“Python”, “javascript”, “C++”,…]，取值方式和所有語言中一樣，使用索引獲取，字段值的類型可以是數(shù)字、字符串、數(shù)組、對象幾種。

import json

json模塊提供了四個功能：dumps、dump、loads、load,用于字符串和python數(shù)據(jù)類型鍵進(jìn)行轉(zhuǎn)換。

1、json.loads()

把json格式字符串解碼轉(zhuǎn)換成Python對象從json到Python的類型轉(zhuǎn)化對照如下：

從json到python的轉(zhuǎn)化關(guān)系

#json_loads.py

import json


strList = '[1, 2, 3, 4]'

strDict = '{"city":"北京", "name":"大貓"}'

json.loads(strList)
for str in strList:
    print(str)
#[1, 2, 3, 4]

json.loads(strDict)  #json數(shù)據(jù)自動按Unicode存儲
#{u'city': u'\u5317\u4eac', u'name': u'\u5927\u732b'}

2、json.dumps()

實現(xiàn)python類型轉(zhuǎn)化為json字符串，返回一個str對象。把一個Python對象編碼轉(zhuǎn)換成Json字符串，從python原始類型向json類型轉(zhuǎn)化對照表如下：

python向json轉(zhuǎn)化

#json_dumps.py

#-*- coding:utf-8 -*-

import json
import chardet

listStr = [1, 2, 3, 4]
tupleStr = (1, 2, 3, 4)
dictStr  = {"city":"北京", "name":"大貓"}

print(type(json.dumps(listStr)))
# '[1, 2, 3, 4]'

print(type(json.dumps(tupleStr)))
# '[1, 2, 3, 4]'

#注意，json.dumps()序列化時默認(rèn)使用ascii編碼
#添加參數(shù) ensure_ascii = False,禁用ascii編碼，按utf-8編碼
#chardet.detect()返回字典，其中confidence是檢測精確度。

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

print(chardet.detect(json.dumps(dictStr)))

print(json.dumps(dictStr, ensure_ascii=False))

print(chardet.detect(json.dumps(dictStr, ensure_ascii=False)))

chardet是一個非常優(yōu)秀的編碼識別模塊，可通過pip安裝

3. json.dump()

將Python內(nèi)置類型序列化為json對象后寫入文件

#json_dump.py

import json

listStr = [{"city":"北京"}, {"name":"大劉"}]

json.dump(listStr, open("listStr.json", "w"), ensure_ascii=False)

dictStr = {"city":"北京", "name":"大劉"}
json.dump(dictStr.open("dictStr.json", "w"), ensure_ascii=False)

4.json.load()

讀取文件中json形式的字符串元素轉(zhuǎn)化成python類型

#-*- coding:utf-8 -*-


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'}

JsonPath

JsonPath是一種信息抽取類庫，是從JSON文檔中抽取指定信息的工具，提供多種原因?qū)崿F(xiàn)保本：JavaScript/Python/PHP和Java

JsonPath對于JSON來說，相當(dāng)于XPATH對于XML

下載地址：https://pypi.python.org/pypi/jsonpath 安裝方法：點擊Download URL鏈接下載jsonpath,解壓之后執(zhí)行python setup.py install 官方文檔：http://goessner.net/articles/JsonPath

JsonPath與XPath語法對比：

Json結(jié)構(gòu)清晰，可讀性高，復(fù)雜度低，非常容易匹配，下表中對應(yīng)了XPath的用法。

實例：

我們以拉勾網(wǎng)城市JSON文件http://www.lagou.com/lbs/getAllCitySearchLabels.json為例，獲取所有城市。

#-*- coding:utf-8 -*-

import urllib2
import json
import jsonpath
import chardet


url = "http://www.lagou.com/lbs/getAllCitySearchLabels.json"
request = urllib2.Request(url)

response  = urllib2.urlopen(request)

html = response.read()

#把json格式字符串轉(zhuǎn)換成python對象
jsonobj = json.loads(html)

#從根節(jié)點開始，匹配name節(jié)點
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()

注意事項：

json.loads()是把Json格式字符串解碼轉(zhuǎn)換成Python對象，如果在json.loads的時候出錯，要注意被解碼的Json字符的編碼。

如果傳入的字符串的編碼不是UTF-8的話，需要制定字符編碼的參數(shù):encoding

dataDict = json.loads(jsonStrGBK);

• dataJsonStr是JSON字符串，假設(shè)其編碼本身是非UTF-8的話而是GBK的，那么上述代碼會導(dǎo)致出錯，改為對應(yīng)的。

dataDict = json.loads(jsonStrGBK, encoding="GBK")

• 如果dataJsonStr通過encoding指定了合適的編碼，但是其中又包含了其它編碼的字符，則需要先去將dataJsonStr轉(zhuǎn)換為Unicode,然后再指定編碼格式調(diào)用json.loads()

dataJsonStrUni = data.JsonStr.decode("GB2312")
dataDict = json.loads(dataJsontrUni, encoding="GB2312")

字符串編碼轉(zhuǎn)換

這是程序員最苦逼的地方，什么亂碼之類的幾乎都是由漢字引起的。 其實編碼問題很好搞定，只要記住一點：

任何平臺的任何編碼，都能和Unicode互相轉(zhuǎn)換。

UTF-8與GBK互相轉(zhuǎn)換，那就先把UTF-8轉(zhuǎn)換成Unicode，再從Unicode轉(zhuǎn)換成GBK，反之同理。

# 這是一個 UTF-8 編碼的字符串
utf8Str = "你好地球"

# 1. 將 UTF-8 編碼的字符串 轉(zhuǎn)換成 Unicode 編碼
unicodeStr = utf8Str.decode("UTF-8")

# 2. 再將 Unicode 編碼格式字符串 轉(zhuǎn)換成 GBK 編碼
gbkData = unicodeStr.encode("GBK")

# 1. 再將 GBK 編碼格式字符串 轉(zhuǎn)化成 Unicode
unicodeStr = gbkData.decode("gbk")

# 2. 再將 Unicode 編碼格式字符串轉(zhuǎn)換成 UTF-8
utf8Str = unicodeStr.encode("UTF-8")

decode的作用是將其它編碼的字符串轉(zhuǎn)換成Unicode編碼 encode的作用是將Unicode編碼轉(zhuǎn)換成其他編碼的字符串 一句話：**UTF-8**是對Unicode字符集記性編碼的一種編碼格式

更多Python的學(xué)習(xí)資料可以掃描下方二維碼無償領(lǐng)?。。。?/strong>