快速入门网络爬虫系列 Chapter09 | JSON数据处理

不温卜火

发布于 2020-10-28 14:54:53

9590

发布于 2020-10-28 14:54:53

文章被收录于专栏：不温卜火不温卜火

一、JSON

JSON是指JavaScript对象表示法(JavaScript Object Notation)：

独立于语言和平台
与XML类似，存储和交换文本信息
与XML语言更快、更易解析

JSON的主要表达形式：

单个JSON对象，书写格式为{string:value,string:value}

1、获取JSON响应

通过网络库requests，网络爬虫获取响应，并使用JSON格式展示数据

import requests
import urllib

url = 'http://httpbin.org/get'
response = requests.get(url,timeout = 5)
print(response.text)

2、解析JSON

2.1、解码JSON的功能

Python的json库可以提供编码，解码JSON的功能 json库的主要函数有：

json.loads()：JSON字符串转换成Python
json.load()：文件中JSON字符串转换为Python
json.dumps()：Python对象序列化为JSON对象
json.dump()：Python对象序列化为JSON对象，并写入文件

把网络爬虫获取的响应转换成Python对象：

import json
json_data = json.loads(response.text)
print(type(json_data))
print(json_data)

import requests
from bs4 import BeautifulSoup as bs
s=requests.session()
s.headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:73.0) Gecko/20100101 Firefox/73.0'}
page=s.get('https://api.github.com/events')
data = page.json()
print(type(data))
print(type(data[0]))
print(data[0])

2.2、从dict中还原为JSON对象

Json库还可以从dict中还原为JSON对象，在Python中为字符串类型

back_json = json.dumps(json_data)
print(type(back_json))
print(back_json)

二、API

应用编程接口(Application Programming Interface,API)

API不同的应用提供方便友好的接口
开发者用不同的语言结构编写程序，通过API获取数据，实现不同程序间的信息共享

API在网络爬虫中的使用场景：

API并不随处可见，但可以请求接收请求，并向客户端返回响应的信息与网站不同的是，API必须：

拥有严谨的语言规则，标准的规范来产生数据
使用XML或者JSON格式来展示数据，而不是HTML表示

下面以新浪微博为例：

由上图我们可以看到数据，但是这些数据不是我们想要看到的，这是因为我们并没有转码。下面我们通过两种方式打开来验证下内容：

1、第一种

直接点击get

结果如下：

2、第二种

复制Request URL的链接打开

结果如下：

经过对比，我们发现结果是一样的。

3、代码实现

下面在代码实现下：

import requests
from bs4 import BeautifulSoup as bs
s=requests.session()
s.headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:73.0) Gecko/20100101 Firefox/73.0'}
page=s.get('https://feed.sina.com.cn/api/roll/get?pageid=121&lid=1356&num=20&versionNumber=1.2.4&page=2&encode=utf-8&callback=feedCardJsonpCallback&_=1585719783848')
print(page.content)

上述代码遍获取到了所需要解析的文件，下面就需要进行解析了：

import requests
import json
from bs4 import BeautifulSoup as bs
s=requests.session()
s.headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:73.0) Gecko/20100101 Firefox/73.0'}
page=s.get('https://feed.sina.com.cn/api/roll/get?pageid=121&lid=1356&num=20&versionNumber=1.2.4&page=2&encode=utf-8')
print((json.loads(page.content.decode("utf-8"))))

这样就转换成dict类型的数据，供我们提取

4、测试

取出网址：

import requests
import json
from bs4 import BeautifulSoup as bs
s=requests.session()
s.headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:73.0) Gecko/20100101 Firefox/73.0'}
page=s.get('https://feed.sina.com.cn/api/roll/get?pageid=121&lid=1356&num=20&versionNumber=1.2.4&page=2&encode=utf-8')
news = json.loads(page.content.decode("utf-8")).get('result').get("data")
for new in news:
    print(new.get("url"))