1 数据提取
什么是数据提取? 简单的来说,数据提取就是从响应中获取我们想要的数据的过程
1.1 数据分类
非结构化数据: html , 文本等 处理方法:正则表达式,xpath语法
结构化数据:json,xml等 处理方法:转换为python数据类型
2 复习JSON知识
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。
2.1 为什么要使用JSON?
把json格式字符串转化为python字典类型很简单,所以爬虫中,如果我们能够找到返回json数据格式字符串的url,就会尽量使用这种url 如何找到返回json的url呢? 1、使用浏览器/抓包工具进行分析 wireshark(windows/linux),tcpdump(linux) 2、抓包手机app的软件
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。
Json在数据交换中起到了一个载体的作用,承载着相互传递的数据
2.2 转换方法
json.loads()
把Json格式字符串解码转换成python对象
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
json.dump()
将python内置类型序列化为json对象后写入文件
json.load()
读取文件中json形式的字符串元素 转化成python类型
import json
# python中支持单引号,但转换数据类型的时候,需要使用双引号
dict_data = '{"neuedu":"沈阳_python24", "pub_date": "2019-4-14 17:00:00"}'
print(dict_data)
print(type(dict_data))
# 转成json字符串 默认使用ascii编码,需要设置ensure_ascii为False
json_data = json.dumps(dict_data,ensure_ascii=False)
print(json_data)
print(type(json_data))
# 转成字典
dict_data_str = json.loads(dict_data)
print(dict_data_str)
print(type(dict_data_str))
# 把字典转成json写入文件,写文件如果遇到编码ascii错误,可以指定编码格式为utf8
f = open('data.json','w',encoding='utf8')
json.dump(dict_data_str,f,ensure_ascii=False)
# 读取json文件中的内容,转成字典
f = open('data.json','r',encoding='utf8')
dict_data = json.load(f)
print (dict_data)
3 案例:爬取豆瓣网电视信息
打开ajax请求页会展示如下代码
import requests
import json
# 目标:
# 爬取豆瓣网电视信息
# 1、电视名称、封面信息、评分等
class Douban(object):
def __init__(self):
self.url = 'https://movie.douban.com/j/search_subjects?type=tv&tag=%E7%83%AD%E9%97%A8&sort=recommend&page_limit=200&page_start=1'
self.headers = {
'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.181 Safari/537.36'
}
# 创建文件对象
self.file = open('douban.json','w',encoding='utf8')
# 发送请求,获取数据
def get_data(self):
response = requests.get(url=self.url,headers=self.headers)
# 把响应数据转成str类型
return response.content.decode()
# 解析数据
def parse_data(self,data):
# 把电视数据转成字典
dict_data = json.loads(data)
# print(dict_data)
result_list = dict_data['subjects']
data_list = []
# 获取电视列表数据
for result in result_list:
temp = {}
temp['title'] = result['title']
temp['rate'] = result['rate']
temp['url'] = result['url']
data_list.append(temp)
# 返回数据列表
return data_list
# 保存电视数据
def save_data(self,data_list):
# 遍历列表
for data in data_list:
str_data = json.dumps(data,ensure_ascii=False) + ',\n'
self.file.write(str_data)
# 关闭文件对象
def __del__(self):
self.file.close()
def run(self):
# 1、构建请求头和url
# 2、发送请求,获取数据
data = self.get_data()
# 3、解析数据
data_list = self.parse_data(data)
# 4、保存文件
self.save_data(data_list)
if __name__ == '__main__':
douban = Douban()
douban.run()