爬虫——json模块与jsonpath模块

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相比较可谓不相上下。

Python 3.X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简单来说就是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{key1: value1, key2:value2, ...}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。
数组：数组在js中是[ ]括起来的内容，数据结构为['Python', ‘JavaScript', 'C++', ...]，取值方式和所有语言一样，使用索引获取，字段值的类型可以是数字、字符串、数组、对象。

json模块

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.dumps()

实现Python类型转化为Json字符串，返回一个str对象，从Python到Json的类型转换对照如下：

Python	Json
dict	object
list, tuple	array
str, utf-8	string
int, float	number
True	true
False	false
None	null

#!/usr/bin/python3

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

__author__ = 'mayi'

import json

listStr = [1, 2, 3, 4]

tupleStr = (1, 2, 3, 4)

dictStr = {"city": "北京", "name": "蚂蚁"}

print(json.dumps(listStr))

# [1, 2, 3, 4]

print(type(json.dumps(listStr)))

# <class 'str'>

print(json.dumps(tupleStr))

# [1, 2, 3, 4]

print(type(json.dumps(tupleStr)))

# <class 'str'>

# 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

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

# {"city": "北京", "name": "蚂蚁"}

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

# <class 'str'>

2.json.dump()

将Python内置类型序列化为Json对象后写入文件

#!/usr/bin/python3

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

__author__ = 'mayi'

import json

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

json.dump(listStr, open("listStr.json", "w", encoding = "utf-8"), ensure_ascii = False)

dictStr = {"city": "北京", "name": "蚂蚁"}

json.dump(dictStr, open("dictStr.json", "w", encoding = "utf-8"), ensure_ascii = False)

3.json.loads()

把Json格式字符串解码转换成Python对象，从Json到Python的类型转换对照如下：

Json	Python
object	dict
array	list
string	utf-8
number(int)	int
number(real)	float
true	True
false	False
null	None

#!/usr/bin/python3

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

__author__ = 'mayi'

import json

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

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

print(json.loads(strList))

# [1, 2, 3, 4]

# json数据自动按utf-8存储

print(json.loads(strDict))

# {'city': '北京', 'name': '蚂蚁'}

4.json.load()

读取文件中Json形式的字符串，转换成Python类型

#!/usr/bin/python3

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

__author__ = 'mayi'

import json

strList = json.load(open("listStr.json", "r", encoding = "utf-8"))

print(strList)

# [{'city': '北京'}, {'name': '蚂蚁'}]

strDict = json.load(open("dictStr.json", "r", encoding = "utf-8"))

print(strDict)

# {'city': '北京', 'name': '蚂蚁'}

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：https://pypi.python.org/pypi/jsonpath
安装方法：下载后解压之后执行 python setup.py install
官方文档：http://goessner.net/articles/JsonPath

JsonPath与XPath语法对比：

JsonPath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
//	..	不管位置，选择所有符合条件的节点
*	*	匹配所有元素节点
@	n/a	根据属性访问，JsonPath不支持
[]	[]	迭代器（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：

以拉勾网城市JSON文件：http://www.lagou.com/lbs/getAllCitySearchLabels.json 为例，获取所有的城市名称。

#!/usr/bin/python3

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

__author__ = 'mayi'

import urllib.request

import json

import jsonpath

# 拉勾网城市JSON文件

url = 'http://www.lagou.com/lbs/getAllCitySearchLabels.json'

# User-Agent头

header = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/39.0.2171.71 Safari/537.36'}

# url 连同 headers，一起构造Request请求，这个请求将附带 chrome 浏览器的User-Agent

request = urllib.request.Request(url, headers = header)

# 向服务器发送这个请求

response = urllib.request.urlopen(request)

# 获取页面内容：bytes

html = response.read()

# 转码：bytes转str

html = html.decode("utf-8")

# 把json格式字符串转换成python对象

obj = json.loads(html)

# 从根节点开始，匹配name节点

city_list = jsonpath.jsonpath(obj, '$..name')

# 打印获取的name节点

print(city_list)

# 打印其类型

print(type(city_list))

# 写入本地磁盘文件

with open("city.json", "w", encoding = "utf-8") as f:

    content = json.dumps(city_list, ensure_ascii = False)

    f.write(content)