Python微博爬取实战（三）爬虫获得的json格式数据如何处理_爬虫微博数据抓不了

系列文章

Python 微博爬取实战（一）爬虫参数：如何获得cookie，实现爬虫登陆爬取
Python微博爬取实战（二）解析微博结构、爬取每页微博
Python微博爬取实战（三）爬虫获得的json格式数据如何处理
Python微博爬取实战（四）微博爬虫具体实现

处理json数据

上一此在介绍如何获取cookie时候已经说过，在网页开发者功能里面可以对网页进行抓包分析，详见：

Python 微博爬取实战（一）爬虫参数：如何获得cookie，实现爬虫登陆爬取

1.那么问题来了，什么是json数据呢？



先介绍一下历史：
过去传统网站开发，网站就像电脑里面的文件目录，用户通过浏览器直接访问服务器内文件。

（侵删）


就像我们电脑的某个盘，随着使用时间变久，文件越来越多，会发现文件越来越难以管理。出现文件寻找难度大，文件损坏，污染数据等问题。


所以我们构建数据库作为服务器的数据管理内核，来支撑BS架构，数据管理更方便的同时，由于隔离了浏览器和数据的直接接触，安全性也大大提高。



上图来源：https://www.cnblogs.com/animo-2020/p/12744176.html（侵删）



我们可以简单类比数据库为一个函数（function），我们的浏览器类比主函数，当浏览器向数据库内传入某些关键参数时，数据库return一些数据。


那数据是怎么return的呢，体现在浏览器抓包中的json格式数据。
其形式为（其中每个obj可以进行扩充，形成了多层嵌套）

{“key1”:obj,“key2”:[“key1”:object,obj,obj…],“key3”:obj…}

如果我们想要获取其中的object，用什么方法比较好呢？ 以python为例 观察其格式可以发现，它是字典（dic）和列表(list)两种数据格式构成的，因此我们可以用解析这两种数据的方法来解析。

python提供了json包来辅助我们进行解析，还是来看上面微博的例子。

假设我们已经完成这些事情：

1. 正确向服务器发送参数
2. 骗过服务器了，服务器向我们返回了正确的数据。

OK，那么进行下一步




2.如何解析json格式数据——微博为例

我们以一个任务为例，后面如果有需求再增加几个例子
比如我要获得微博总页数，那么思路应该是这样子的：

看一下网页的json结构：

如何生成这种json格式浏览图参看：https://blog.csdn.net/weixin_43718786/article/details/108364219


其中total即为总微博数量。

• 分析一下
  total第一层被包裹在一个字典(dic)的键值(key):data里面
  第二层还是在一个字典(dic)的键值(key):cardlistInfo里面
  第三层为键值(key):total里面

如果有list加下标index即可，当然这个案例里并没有出现需要用到list的情况。

js[‘data’][‘cardlistInfo’].get(‘total’, 0)

所以本例可以这样写，get()里面的0代表total如果有列表选取第一个值。



开始代码：
在request函数模块里面，将返回的数据进行处理：

	r = requests.get(url, params=params)
    return r.json()  #返回json数据
1
2

在下一步里面，js变量将接收来自上个模块返回的数据（即r.json()）

js = self.get_json(params)
        if js['ok']:
        	user_info['statuses_count'] =  js['data']['cardlistInfo'].get('total', 0)      #获取总条数
        	print('共{}条' .format(user_info['statuses_count']))
        	page_count = int(math.ceil(weibo_count / 10.0))  #总页数
        	
1
2
3
4
5
6

page_count 即为总页数，此案例演示完毕