第十二节段 -- 爬虫03：【数据提取（pyquery；jsonpath）】

1. pyquery

1.1. 介绍 & 安装

• 如果你对CSS选择器与Jquery有所了解，那么还有个解析库可以适合你–Jquery官网](https://pythonhosted.org/pyquery/)https://pythonhosted.org/pyquery/

pip install pyquery

1.2. 使用方式

1. 初始化方式

• 字符串

from pyquery import PyQuery as pq
doc = pq(str)
print(doc(tagname))

• url

from pyquery import PyQuery as pq
doc = pq(url='http://www.baidu.com')
print(doc('title'))

• 文件

from pyquery import PyQuery as pq
doc = pq(filename='demo.html')
print(doc(tagname))

2. 选择节点

• 获取当前节点

from pyquery import PyQuery as pq
doc = pq(filename='demo.html')
doc('#main #top')

• 获取子节点
  • 在doc中一层层写出来
  • 获取到父标签后使用children方法

from pyquery import PyQuery as pq
doc = pq(filename='demo.html')
doc('#main #top').children()

• 获取父节点
  • 获取到当前节点后使用parent方法
• 获取兄弟节点
  • 获取到当前节点后使用siblings方法

3. 获取属性

from pyquery import PyQuery as pq
doc = pq(filename='demo.html')
a = doc('#main #top')
print(a.attrib['href'])  #HTMLElement
print(a.attr('href')) #PyQuery

4. 获取内容

from pyquery import PyQuery as pq
doc = pq(filename='demo.html')
div = doc('#main #top')
print(a.html())
print(a.text())

5. 样例

from pyquery import PyQuery as pq
# 1.可加载一段HTML字符串，或一个HTML文件，或是一个url地址，
d=pq("")
d=pq(filename=path_to_html_file)
d=pq(url='http://www.baidu.com')注意：此处url似乎必须写全
 
# 2.html()和text() ——获取相应的HTML块或文本块，
p=pq("")
p('head').html()#返回
p('head').text()#返回hello
 
# 3.根据HTML标签来获取元素，
d=pq('
test 1
test 2
')
d('p')#返回[
,
]
print d('p')#返回
test 1
test 2
print d('p').html()#返回test 1
# 注意：当获取到的元素不只一个时，html()方法只返回首个元素的相应内容块
 
# 4.eq(index) ——根据给定的索引号得到指定元素。接上例，若想得到第二个p标签内的内容，则可以：
print d('p').eq(1).html() #返回test 2
 
# 5.filter() ——根据类名、id名得到指定元素，例：
d=pq("
test 1
test 2
")
d('p').filter('#1') #返回[]
d('p').filter('.2') #返回[]
 
# 6.find() ——查找嵌套元素，例：
d=pq("
test 1
test 2
")
d('div').find('p')#返回[, ]
d('div').find('p').eq(0)#返回[]
 
#7.直接根据类名、id名获取元素，例：
d=pq("
test 1
test 2
")
d('#1').html()#返回test 1
d('.2').html()#返回test 2
 
# 8.获取属性值，例：
d=pq("
hello
")
d('a').attr('href')#返回http://hello.com
d('p').attr('id')#返回my_id
 
# 9.修改属性值，例：
d('a').attr('href', 'http://baidu.com')把href属性修改为了baidu
 
# 10.addClass(value) ——为元素添加类，例：
d=pq('
')
d.addClass('my_class')#返回[]
 
# 11.hasClass(name) #返回判断元素是否包含给定的类，例：
d=pq("
")
d.hasClass('my_class')#返回True
 
# 12.children(selector=None) ——获取子元素，例：
d=pq("
hello
world")
d.children()#返回[, ]
d.children('#2')#返回[]
 
# 13.parents(selector=None)——获取父元素，例：
d=pq("
hello
world")
d('p').parents()#返回[]
d('#1').parents('span')#返回[]
d('#1').parents('p')#返回[]
 
# 14.clone() ——返回一个节点的拷贝
 
#15.empty() ——移除节点内容
 
# 16.nextAll(selector=None) ——返回后面全部的元素块，例：
d=pq("
hello
world
")
d('p:first').nextAll()#返回[, ]
d('p:last').nextAll()#返回[]
 
# 17.not_(selector) ——返回不匹配选择器的元素，例：
d=pq("
test 1
test 2
")
d('p').not_('#2')#返回[]

• 示例02

from fake_useragent import UserAgent
import requests
from pyquery import PyQuery as pq

url = 'https://www.xicidaili.com/nn/'
headers = {'User-Agent': UserAgent().chrome}
resp = requests.get(url, headers=headers)
# 初始化pyquery对象
doc = pq(resp.text)
# 提取数据

trs = doc('table tr')
for i in range(1,len(trs)):
    ip = trs.eq(i).find('td').eq(1).text()
    port = trs.eq(i).find('td').eq(2).text()
    type = trs.eq(i).find('td').eq(5).text()
    print('{}://{}:{}'.format(type, ip, port))

2. JosnPath

2.1. 简介

1. JSON 与 JsonPATH：

   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。

   JSON 和 XML 的比较可谓不相上下。

   Python 中自带了JSON模块，直接import json就可以使用了。

   官方文档：http://docs.python.org/library/json.html

   Json 在线解析网站：http://www.json.cn/#

2. JSON：

   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：

   1. 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
   2. 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

2.2. Python中的json模块

• 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

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：

import json

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

2. 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

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

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

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

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

3. json.dump()

• 将Python内置类型序列化为json对象后写入文件

import json

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

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

4. json.load()

• 读取文件中json形式的字符串元素 转化成python类型

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'}

2.3. JsonPath 库

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。

官方文档：http://goessner.net/articles/JsonPath

2.4. JsonPath与XPath语法对比

• Json结构清晰，可读性高，复杂度低，非常容易匹配，下表中对应了XPath的用法

XPath	JSONPath	描述
/	$	根节点
.	@	现行节点
/	.or[]	取子节点
…	n/a	取父节点，Jsonpath未支持
//	…	就是不管位置，选择所有符合条件的条件
*	*	匹配所有元素节点
@	n/a	根据属性访问，Json不支持，因为Json是个Key-value递归结构，不需要。
[]	[]	迭代器标示（可以在里边做简单的迭代操作，如数组下标，根据内容选值等）
		[,]
[]	?()	支持过滤操作.
n/a	()	支持表达式计算
()	n/a	分组，JsonPath不支持

2.5. 示例

我们以拉勾网城市JSON文件 http://www.lagou.com/lbs/getAllCitySearchLabels.json 为例，获取所有城市。

from urllib.request import urlopen
from urllib.request import Request
import jsonpath
import json

url = 'http://www.lagou.com/lbs/getAllCitySearchLabels.json'
request =Request(url)
response = urlopen(request)
html = response.read()
# 把json格式字符串转换成python对象
jsonobj = json.loads(html)
# 从根节点开始，匹配name节点
citylist = jsonpath.jsonpath(jsonobj,'$..name')
print(citylist)
print(type(citylist))
fp = open('city.json','w')
content = json.dumps(citylist, ensure_ascii=False)
print(content)
fp.write(content)
fp.close()

2.6. 注意事项

1. 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);
   

2. 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");
   

3. 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 dataJsonSt r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");
   

4. 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