python爬⾍json_python爬⾍数据提取⼀之json
1 数据提取
什么是数据提取？ 简单的来说，数据提取就是从响应中获取我们想要的数据的过程
1.1 数据分类
⾮结构化数据: html , ⽂本等 处理⽅法：正则表达式，xpath语法
结构化数据：json，xml等 处理⽅法：转换为python数据类型
2 复习JSON知识
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。
2.1 为什么要使⽤JSON？
把json格式字符串转化为python字典类型很简单，所以爬⾍中，如果我们能够到返回json数据格式字
符串的url，就会尽量使⽤这种url 如何到返回json的url呢？ 1、使⽤浏览器/抓包⼯具进⾏分析 wireshark(windows/linux),tcpdump(linux) 2、抓包⼿机app的软件
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
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
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。
Json在数据交换中起到了⼀个载体的作⽤，承载着相互传递的数据
2.2 转换⽅法
json.loads()
把Json格式字符串解码转换成python对象
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
json.dump()
将python内置类型序列化为json对象后写⼊⽂件
json.load()
读取⽂件中json形式的字符串元素 转化成python类型
import json
# python中⽀持单引号，但转换数据类型的时候，需要使⽤双引号
dict_data = '{"neuedu":"沈阳_python24", "pub_date": "2019-4-14 17:00:00"}'
print(dict_data)
print(type(dict_data))
# 转成json字符串 默认使⽤ascii编码，需要设置ensure_ascii为False
json_data = json.dumps(dict_data,ensure_ascii=False)
print(json_data)
print(type(json_data))
# 转成字典
dict_data_str = json.loads(dict_data)
print(dict_data_str)
print(type(dict_data_str))
# 把字典转成json写⼊⽂件，写⽂件如果遇到编码ascii错误，可以指定编码格式为utf8python解析json文件
f = open('data.json','w',encoding='utf8')
json.dump(dict_data_str,f,ensure_ascii=False)
# 读取json⽂件中的内容，转成字典
f = open('data.json','r',encoding='utf8')
dict_data = json.load(f)
print (dict_data)
3 案例：爬取⾖瓣⽹电视信息
打开ajax请求页会展⽰如下代码
import requests
import json
# ⽬标：
# 爬取⾖瓣⽹电视信息
# 1、电视名称、封⾯信息、评分等
class Douban(object):
def __init__(self):
self.url = 'movie.douban/j/search_subjects?
type=tv&tag=%E7%83%AD%E9%97%A8&sort=recommend&page_limit=200&page_start=1'
self.headers = {
'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.181 Safari/537.36'
}
# 创建⽂件对象
self.file = open('douban.json','w',encoding='utf8')
# 发送请求，获取数据
def get_data(self):
response = (url=self.url,headers=self.headers) # 把响应数据转成str类型
t.decode()
# 解析数据
def parse_data(self,data):
# 把电视数据转成字典
php编程规范dict_data = json.loads(data)
# print(dict_data)
result_list = dict_data['subjects']
data_list = []
# 获取电视列表数据
for result in result_list:
temp = {}
native反义词temp['title'] = result['title']
temp['rate'] = result['rate']
temp['url'] = result['url']
data_list.append(temp)
# 返回数据列表
metadata文件matlab最新版安装教程
return data_list
# 保存电视数据
def save_data(self,data_list):
# 遍历列表
for data in data_list:
str_data = json.dumps(data,ensure_ascii=False) + ',\n' self.file.write(str_data)
# 关闭⽂件对象
def __del__(self):
self.file.close()
def run(self):
# 1、构建请求头和url
# 2、发送请求，获取数据
data = _data()
# 3、解析数据
data_list = self.parse_data(data) # 4、保存⽂件007无暇赴死 百度云
self.save_data(data_list)
if __name__ == '__main__': douban = Douban()
douban.run()
版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。
发表评论