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:
- 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:
- 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=