Python 爬虫从入门到进阶之路（十四）

之前的文章我们已经可以根据 re 模块，Xpath 模块和 BeautifulSoup4 模块来爬取网站上我们想要的数据并且存储在本地，但是我们并没有对存储数据的格式有要求，本章我们就来看数据的存储格式 JSON 及 Python 中的 json 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的比较可谓不相上下。

Python 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。

Python中 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：

import json

strList = '[1, 2, 3, 4]'
strDict = '{"city": "北京", "name": "大猫"}'

print(json.loads(strList))  # [1, 2, 3, 4]
print(json.loads(strDict))  # {'city': '北京', 'name': '张三'}

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：

import json

listStr = [1, 2, 3, 4]
tupleStr = (1, 2, 3, 4)
dictStr = {"city": "北京", "name": "张三"}

print(json.dumps(listStr))  # '[1, 2, 3, 4]'
print(json.dumps(tupleStr))  # '[1, 2, 3, 4]'
print(json.dumps(dictStr))  # '{"city": "u5317u4eac", "name": "u5f20u4e09"}'

3. json.dump()

将Python内置类型序列化为json对象后写入文件

import json

listStr = [{"city": "北京"}, {"name": "张三"}]
json.dump(listStr, open("listStr.json", "w"))

dictStr = {"city": "北京", "name": "李四"}
json.dump(dictStr, open("dictStr.json", "w"), ensure_ascii=False)  # 添加参数 ensure_ascii=False 禁用ascii编码，按utf-8编码

输出结果：

4. json.load()

读取文件中json形式的字符串元素 转化成python类型

import json

strList = json.load(open("listStr.json"))
print(strList)  # [{'city': '北京'}, {'name': '张三'}]

strDict = json.load(open("dictStr.json"))
print(strDict)  # {'city': '北京', 'name': '李四'}

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：点击Download URL链接下载jsonpath，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：

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 https://www.lagou.com/lbs/getAllCitySearchLabels.json 为例，获取所有城市。

import urllib.request
import json
import jsonpath
import ssl

# 取消代理验证
ssl._create_default_https_context = ssl._create_unverified_context

url = 'https://www.lagou.com/lbs/getAllCitySearchLabels.json'
headers = {
    "User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.121 Safari/537.36"}
# 发送请求
request = urllib.request.Request(url, headers=headers)
response = urllib.request.urlopen(request)
html = response.read().decode("utf-8")
# 把json格式字符串转换成python对象
jsonobj = json.loads(html)
# 从根节点开始，匹配name节点
citylist = jsonpath.jsonpath(jsonobj, '$..name')

fp = open('city.json', 'w')
content = json.dumps(citylist, ensure_ascii=False)
fp.write(content)
fp.close()

程序启动后会在本地生成一个 city.json 的文件，结果如下：