Python爬虫json和JsonPath系列之十一

1，json中四个重要的方法

• Json结构清晰，可读性高，复杂度低，非常容易匹配。

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：

2. json.dumps()

实现python类型转化为json字符串，返回一个str对象 。

从python原始类型向json类型的转化对照如下：

3. json.dump()

将Python内置类型序列化为json对象后写入文件

4. json.load()

读取文件中json形式的字符串元素 转化成python类型

5，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

如：

dataDict = json.loads(jsonStrGBK);

jsonStrGBK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");

• 任何平台的任何编码 都能和 Unicode 互相转换
• decode的作用是将其他编码的字符串转换成 Unicode 编码
• encode的作用是将 Unicode 编码转换成其他编码的字符串
• 一句话：UTF-8是对Unicode字符集进行编码的一种编码方式

2，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。

• JsonPath与XPath语法对比：

3，爬取某招聘网站职位信息案例

import requests
import json
import jsonpath


class LagouSpider:
    def __init__(self):
        self.headers = {
            # 模拟真实的浏览器，把请求头全部都加上
            # "Accept" : "application/json, text/javascript, */*; q=0.01",
            # "Accept-Encoding" : "gzip, deflate, br",
            # "Accept-Language" : "zh-CN,zh;q=0.8",
            # "Connection" : "keep-alive",
            # "Content-Length" : "43",
            # "Content-Type" : "application/x-www-form-urlencoded; charset=UTF-8",
            "Cookie": "user_trace_token=20170626172300-2aa5eb9c81db4093b6491f60c504f9a1; LGUID=20170626172300-0c74fdbf-5a51-11e7-89d3-525400f775ce; index_location_city=%E5%8C%97%E4%BA%AC; JSESSIONID=ABAAABAACDBABJB0A65566C403D46573532367CBEEF2AB5; PRE_UTM=; PRE_HOST=; PRE_SITE=; PRE_LAND=https%3A%2F%2Fwww.lagou.com%2F; _gid=GA1.2.327690172.1500516674; Hm_lvt_4233e74dff0ae5bd0a3d81c6ccf756e6=1498468981,1500406505,1500516674; Hm_lpvt_4233e74dff0ae5bd0a3d81c6ccf756e6=1500518676; _ga=GA1.2.764300251.1498468981; LGSID=20170720104259-2462b23d-6cf5-11e7-ae7e-525400f775ce; LGRID=20170720104435-5db33ef4-6cf5-11e7-ae8d-525400f775ce; TG-TRACK-CODE=search_code; SEARCH_ID=36027e19a74f4ceaab54f35baae12a30",
            "Host": "www.lagou.com",
            "Origin": "https://www.lagou.com",

            # 反爬第二步，标记浏览器的来源，从查看网页源码可知
            "Referer": "https://www.lagou.com/jobs/list_python%E7%88%AC%E8%99%AB?labelWords=&fromSearch=true&suginput=",
            # 反爬第一步
            "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.115 Safari/537.36",
            "X-Anit-Forge-Code": "0",
            "X-Anit-Forge-Token": "None",
            "X-Requested-With": "XMLHttpRequest"
        }

        # url地址固定部分
        self.baseURL = "https://www.lagou.com/jobs/positionAjax.json?"
        self.positionName = input("请输入需要查询的职位名:")
        self.cityName = input("请输入需要查询的城市名:")
        self.endPage = int(input("请输入需要爬取的页数:"))
        # post的页码数据
        self.page = 1
        # 添加代理
        # self.proxy = {"http" : "123.23.232.11:8080"}

    def startWrok(self):
        # 存储loadPage()返回的所有职位信息
        item_list = []
        while self.page <= self.endPage:
            # 获取每一页的职位信息列表
            position_list = self.loadPage()
            # 合并所有页的职位信息
            item_list += position_list
            # 每获取一页，页码自增1
            self.page += 1
        # 禁用ascii处理中文，返回json格式的字符串，返回Unicode
        content = json.dumps(item_list, ensure_ascii=False)
        # 将数据写入到磁盘文件里
        with open("lagou_info.json", "w") as f:
            f.write(content)

    def loadPage(self):
        # url的查询字符串，post请求采参数
        params = {"city": self.cityName, "needAddtionalResult": "false"}
        # post的表单数据
        formdata = {"first": "true", "pn": self.page, "kd": self.positionName}
        try:
            print("[LOG]: 正在抓取 %d 页..." % self.page)
            response_result = requests.post(self.baseURL, params=params, data=formdata, headers=self.headers)
            # 代理使用： proxies = self.proxy)
        except Exception as e:
            print("[LOG]: 抓取失败...")
            print(e)
        # time.sleep(2)
        # html = response.content
        # jsonobj = json.loads(html)

        # 按json格式获取requests响应，Python数据类型
        jsonobj = response_result.json()

        """
        # urllib2 的用法
        params = urllib.urlencode(params)
        data = urllib.urlencode(formdata)
        url = self.baseURL + params
        request = urllib2.Request(url, data = data, headers = self.headers)
        response = urllib2.urlopen(request)
        jsonobj = json.loads(response.read())
        """

        try:
            # 通过jsonpath获取json里的result部分
            result_list = jsonpath.jsonpath(jsonobj, "$..result")[0]
            # 存储当前页的职位信息
            position_list = []
            # 处理每一条职位信息
            for result in result_list:
                # 获取每条职位信息的部分数据
                item = {}
                item['城市'] = result['city'] if result['city'] else "NULL"
                item['公司名'] = result['companyFullName'] if result['companyFullName'] else "NULL"
                item['发布时间'] = result['createTime'] if result['createTime'] else "NULL"
                item['区域'] = result['district'] if result['district'] else "NULL"
                item['职位'] = result['positionName'] if result['positionName'] else "NULL"
                item['薪水'] = result['salary'] if result['salary'] else "NULL"

                position_list.append(item)
            return position_list

        except Exception as  e:
            print("[ERR]: 获取数据失败...")
            print(e)
            return []


if __name__ == "__main__":
    spider = LagouSpider()
    spider.startWrok()

4，把json格式的文件转为csv格式的文件

# 处理json文本
import json
# 处理csv
import csv

# 创建csv文件对象
csvFile = open("lagou_info.csv", "w")
# 创建csv文件的读写对象，可以用来对csv进行读写操作
csv_writer = csv.writer(csvFile)

# 创建json文件对象
jsonFile = open("lagou_info.json", "r")
# 读取本地磁盘json文件，返回原本的数据类型:列表
content_list = json.load(jsonFile)

# 获取表头部分
sheet = content_list[0].keys()

# 将所有的数据放到一个大列表里
data = [content.values() for content in content_list]

# writerow 表示写入一行数据，参数是一个列表
csv_writer.writerow(sheet)
# writerows 表示写入多行数据，参数是一个列表（包含所有数据）
csv_writer.writerows(data)

csvFile.close()
jsonFile.close()