scrapy解析网页时，针对一些特别格式的数据的处理

scrapy解析网页时，针对一些特别格式的数据的处理

1. 环境

• python 3.6.1
• 系统：win7
• IDE：pycharm
• scrapy框架

2. 页面源代码中含有json数据

2.1. 案例

• 参考页面：

https://www.amazon.com/Best-Sellers-Sports-Outdoors-Hunting-Shooting-Safety-Glasses/zgbs/sporting-goods/3413661/ref=zg_bs_nav_sg_5_3304074011#3

• 提取产品的唯一标识asin码

import json

productLst = response.xpath("//div[@class='zg_itemImmersion']")
for elem in productLst:
    asinInfo = elem.xpath(".//div[@class='zg_itemWrapper']/div[@class='a-section a-spacing-none p13n-asin']/@data-p13n-asin-metadata").extract()
    if len(asinInfo) > 0:
        # 解析asin
        asinInfoJson = json.loads(asinInfo[0])
        print(f"asinInfoJson = {asinInfoJson}")
        asin = asinInfoJson['asin']

# 打印结果
asinInfoJson = {
  "ref":"zg_bs_3413661_41","asin":"B01MUET4LC"}
asinInfoJson = {
  "ref":"zg_bs_3413661_42","asin":"B007JZ3UG0"}
asinInfoJson = {
  "ref":"zg_bs_3413661_43","asin":"B01KX6184M"}
asinInfoJson = {
  "ref":"zg_bs_3413661_44","asin":"B007ZNTN7G"}
asinInfoJson = {
  "ref":"zg_bs_3413661_45","asin":"B004OFRLQI"}
asinInfoJson = {
  "ref":"zg_bs_3413661_46","asin":"B077JTTYJQ"}
asinInfoJson = {
  "ref":"zg_bs_3413661_47","asin":"B01ACIB5YY"}
asinInfoJson = {
  "ref":"zg_bs_3413661_48","asin":"B00JXLTO5E"}
asinInfoJson = {
  "ref":"zg_bs_3413661_49","asin":"B01MYBOPKJ"}
asinInfoJson = {
  "ref":"zg_bs_3413661_50","asin":"B01MZXHWQ9"}
asinInfoJson = {
  "ref":"zg_bs_3413661_51","asin":"B01GZ2ZI3U"}
asinInfoJson = {
  "ref":"zg_bs_3413661_52","asin":"B0055BCCUK"}
asinInfoJson = {
  "ref":"zg_bs_3413661_53","asin":"B005NH4Q64"}
asinInfoJson = {
  "ref":"zg_bs_3413661_54","asin":"B007HKPAA6"}
asinInfoJson = {
  "ref":"zg_bs_3413661_55","asin":"B007VKKP5W"}
asinInfoJson = {
  "ref":"zg_bs_3413661_56","asin":"B01GSUX3QS"}
asinInfoJson = {
  "ref":"zg_bs_3413661_57","asin":"B007JZ3UP6"}
asinInfoJson = {
  "ref":"zg_bs_3413661_58","asin":"B06Y12NL7N"}
asinInfoJson = {
  "ref":"zg_bs_3413661_59","asin":"B01FT2CFYC"}
asinInfoJson = {
  "ref":"zg_bs_3413661_60","asin":"B00ESH12E4"}

2.2. 关于json数据的拓展

• 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。
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。

import json
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。

• 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：
  

# json_loads.py

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

json.loads(strList) 
# [1, 2, 3, 4]
json.loads(strDict) # json数据自动按Unicode存储
# {u'city': u'\u5317\u4eac', u'name': u'\u5927\u732b'}

• 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：
  

# json_dumps.py

import json
import chardet

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

json.dumps(listStr)
# '[1, 2, 3, 4]'
json.dumps(tupleStr)
# '[1, 2, 3, 4]'

# 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
# chardet.detect()返回字典, 其中confidence是检测精确度

json.dumps(dictStr) 
# '{"city": "\\u5317\\u4eac", "name": "\\u5927\\u5218"}'

chardet.detect(json.dumps(dictStr))
# {'confidence': 1.0, 'encoding': 'ascii'}

print json.dumps(dictStr, ensure_ascii=False) 
# {"city": "北京", "name": "大刘"}

chardet.detect(json.dumps(dictStr, ensure_ascii=False))
# {'confidence': 0.99, 'encoding': 'utf-8'}

chardet是一个非常优秀的编码识别模块，可通过pip安装

• json.dump( )：将Python内置类型序列化为json对象后写入文件。

# json_dump.py

import json

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

dictStr = {
  "city": "北京", "name": "大刘"}
json.dump(dictStr, open("dictStr.json","w"), ensure_ascii=False)

• json.load( )：读取文件中json形式的字符串元素 转化成python类型

# json_load.py

import json

strList = json.load(open("listStr.json"))
print strList

# [{u'city': u'\u5317\u4eac'}, {u'name': u'\u5927\u5218'}]

strDict = json.load(open("dictStr.json"))
print strDict
# {u'city': u'\u5317\u4eac', u'name': u'\u5927\u5218'}

• 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");

##字符串编码转换
这是中国程序员最苦逼的地方，什么乱码之类的几乎都是由汉字引起的。
其实编码问题很好搞定，只要记住一点：
####任何平台的任何编码 都能和 Unicode 互相转换
UTF-8 与 GBK 互相转换，那就先把UTF-8转换成Unicode，再从Unicode转换成GBK，反之同理。

# 这是一个 UTF-8 编码的字符串
utf8Str = "你好地球"
# 1. 将 UTF-8 编码的字符串 转换成 Unicode 编码
    unicodeStr = utf8Str.decode("UTF-8")

# 2. 再将 Unicode 编码格式字符串 转换成 GBK 编码
    gbkData = unicodeStr.encode("GBK")

# 1. 再将 GBK 编码格式字符串 转化成 Unicode
    unicodeStr = gbkData.decode("gbk")

# 2. 再将 Unicode 编码格式字符串转换成 UTF-8
    utf8Str = unicodeStr.encode("UTF-8")

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

JsonPath简介：
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

3. ajax请求返回一段网页源代码

• 参考页面：

https://www.amazon.com/WizGear-Universal-Swift-Snap-Technology-Smartphones/product-reviews/B00PGJWYJ0/ref=cm_cr_arp_d_paging_btm_3?ie=UTF8&reviewerType=all_reviews&pageNumber=3

• 返回的数据：是网页源码，但是全部用 \ 处理了 “

• 参考返回数据的一部分，如下：

["script","if(window.ue) { ues('id','reviewsAjax0','NPYJW8456B30FX29R1NR');ues('t0','reviewsAjax0',new Date());ues('ctb','reviewsAjax0','1');uet('bb','reviewsAjax0'); }"]
&&&
 ["update","#cm_cr-review_list",""]
&&&
 ["loaded"]
&&&
 ["append","#cm_cr-review_list","<div id=\"RTT58UH8PH6QT\" data-hook=\"review\" class=\"a-section review\"><div id=\"customer_review-RTT58UH8PH6QT\" class=\"a-section celwidget\"><div class=\"a-row\"><a class=\"a-link-normal\" title=\"4.0 out of 5 stars\" href=\"/gp/customer-reviews/RTT58UH8PH6QT/ref=cm_cr_getr_d_rvw_ttl?ie=UTF8&ASIN=B00PGJWYJ0\"><i data-hook=\"review-star-rating\" class=