「第十四章」结构化数据提取

格式化的数据有 JSON 和 XML，JSON 和 XML 的比较可谓不相上下。

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。

Python3 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/#

14.1 JSON介绍

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。

14.2 JSON模块的四个功能

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()

json.loads()实现把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：

例子：

import json

# 数据

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

js_dict = '{"name": "听海", "age": "年年18"}'

# 数据转换前的类型

print(type(js_list))

print(type(js_dict))

# json.loads()实现把Json格式字符串解码转换成Python对象

List = json.loads(js_list)

Dict = json.loads(js_dict) # json数据自动按Unicode存储

print('--------------------------')

# 转换后的显示

print(List)

print(Dict)

#数据转换后的类型

print(type(List))

print(type(Dict))

运行结果：

--------------------------

[1, 2, 3, 4]

{'age': '年年18', 'name': '听海'}

2. json.dumps()

json.dumps()实现把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：

例子：

import json

listStr = [1, 2, 3, 4]

tupleStr = ("python3", "selenium3", "appium", "java")

dictStr = {"name": "听海", "age": "年年18"}

# 转换前的格式

print(type(listStr))

print(type(tupleStr))

print(type(dictStr))

# 把 python类型转化为json字符串，返回一个str对象。

js_strList=json.dumps(listStr)

js_tupleStr = json.dumps(tupleStr)

# 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。

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

print("---------------")

# 打印转换后数据显示。

print(js_strList)

print(js_tupleStr)

print(js_dictStr)

# 转换后的格式

print(type(js_strList))

print(type(js_tupleStr))

print(type(js_dictStr))

运行结果：

---------------

[1, 2, 3, 4]

["python3", "selenium3", "appium", "java"]

{"name": "听海", "age": "年年18"}

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编码显示。

3. json.dump()

将Python内置类型序列化为json对象后写入文件。

例子：

import json

listStr = [{"a1": "1"}, {"b1": "2"}]

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

dictStr = {"a2": "3", "b2": "4"}

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

运行结果：

会在当前目录生成 listStr.json 文件和 dictStr.json 2个文件。

4. json.load()。

读取文件中 json 形式的字符串元素 转化成 python 类型。

例子：

接口文档中一个请求报文示例，我们就把这个示例中的json形式的报文转换成python类型。

1.在当前目录新建一个名为“接口请求报文.json”文件。

代码实现：

import json

js_t_py = json.load(open("./接口请求报文.json",encoding="utf-8"))

print(js_t_py)

print(type(js_t_py))

运行结果：

14.3 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

官方使用说明文档：http://goessner.net/articles/JsonPath

14.3.1 JsonPath的安装

安装方法一：点击Download URL链接下载jsonpath，解压之后执行python setup.py install。

安装方法二：使用 pip install jsonpath 命令直接安装。

14.3.2 JsonPath 官方示例

{ "store": {

"book": [

{ "category": "reference",

"author": "Nigel Rees",

"title": "Sayings of the Century",

"price": 8.95

},

{ "category": "fiction",

"author": "Evelyn Waugh",

"title": "Sword of Honour",

"price": 12.99

},

{ "category": "fiction",

"author": "Herman Melville",

"title": "Moby Dick",

"isbn": "0-553-21311-3",

"price": 8.99

},

{ "category": "fiction",

"author": "J. R. R. Tolkien",

"title": "The Lord of the Rings",

"isbn": "0-395-19395-8",

"price": 22.99

}

],

"bicycle": {

"color": "red",

"price": 19.95

}

}

}

14.3.3 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。

示例语法对比。

14.4 案例

案例：

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

代码实现：

import jsonpath

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

headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36"}

r = requests.get(url,headers=headers)

html = r.text

# 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')

print(citylist)

print(type(citylist))

#新建一个city.json文件，并设置编码格式为utf-8

fp = open('city.json','w',encoding="utf-8")

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

print(content)

fp.write(content)

fp.close()

运行结果：

注意事项：

json.loads() 是把 Json格式字符串解码转换成Python对象，如果在json.loads的时候出错，要注意被解码的Json字符的编码。

如果传入的字符串的编码不是UTF-8的话，需要指定字符编码的参数 encoding

dataDict = json.loads(jsonStrGBK);

dataJsonStr是JSON字符串，假设其编码本身是非UTF-8的话而是GBK 的，那么上述代码会导致出错，改为对应的：

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

如果 dataJsonStr通过encoding指定了合适的编码，但是其中又包含了其他编码的字符，则需要先去将dataJsonStr转换为Unicode，然后再指定编码格式调用json.loads()

dataJsonStrUni = dataJsonStr.decode("GB2312");

dataDict = json.loads(dataJsonStrUni, encoding="GB2312");