GoLang—爬虫—解析JSON数据

痛定思痛。 2024-04-18 03:35 71阅读 0赞

JSON作为一种重要的数据格式，具有良好的可读性以及自描述性，广泛地应用在各种数据传输场景中。在网络爬虫中，当网页采用AJAX方式渲染数据时，我们必须找出AJAX的异步请求方式，并且模拟发送AJAX，从中获取数据内容，AJAX的响应数据大部分采用JSON格式表示。  
GoLang可以使用标准库encoding/json解析JSON数据，此外还有第三方包[ffjson][]、[easyjson][]、[jsoniter][]和[jsonparser][]等等。在性能上，第三方包完胜标准库encoding/json，本文将分别讲述标准库encoding/json和第三包jsoniter的使用。

## 标准库encoding/json ##

回顾[GoLang—爬虫入门基础—数据清洗（goquery）][GoLang_goquery]，我们将HTTP发起请求封装在函数SendHttp，主函数main实现函数SendHttp调用和响应内容的数据处理。本文继续沿用上一节的功能代码，将发送HTTP的网址改为[12306的余票查询][12306]，当我们在网页上输入查询信息并点击查询按钮即触发AJAX请求，如图所示。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly94eWh1YW5nLmJsb2cuY3Nkbi5uZXQ_size_16_color_FFFFFF_t_70]  
图上的AJAX请求的响应内容为JSON格式，标准库encoding/json解析JSON有两种方式：根据JSON内容格式定义对应的结构体（struct）、使用map\[string\]interface\{\}加载JSON数据。  
实际工作中，个人不建议采用根据JSON内容格式定义对应的结构体（struct），当JSON内容格式过于复杂的时候，对应的结构体（struct）会随之增加，这样会增加大量的代码。我们采用使用map\[string\]interface\{\}加载JSON数据，实现代码如下。

package main
    
    import (
    	"encoding/json"
    	"fmt"
    	"io/ioutil"
    	"net/http"
    	"net/url"
    	"time"
    )
    
    
    // 使用映射传递函数参数，requestMode作为HTTP的请求方式
    func SendHttp(urls string, method string, rawurl string, cookie []http.Cookie)string{
    	req, _ := http.NewRequest(method ,urls, nil)
    	//为请求对象NewRequest设置请求头
    	req.Header.Add("Content-Type", "application/x-www-form-urlencoded")
    	req.Header.Add("User-Agent", "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36")
    
    	//设置Cookies信息
    	if cookie != nil {
    		for _, v := range cookie{
    			req.AddCookie(&v)
    		}
    	}
    
    	//设置代理IP，代理IP必须以为fun形式表示
    	client := &http.Client{}
    	if rawurl != "" {
    		proxy := func(_ *http.Request) (*url.URL, error) {
    			return url.Parse(rawurl)
    		}
    		transport := &http.Transport{Proxy: proxy}
    		//在Client对象设置参数Transport即可实现代理IP
    		client.Transport = transport
    	}
    
    	//执行HTTP请求
    	resp, _ := client.Do(req)
    
    	//读取响应内容
    	body, _ := ioutil.ReadAll(resp.Body)
    	return string(body)
    
    }
    
    func main() {
    	urls := "https://kyfw.12306.cn/otn/leftTicket/queryT?leftTicketDTO.train_date=2019-09-17&leftTicketDTO.from_station=SHH&leftTicketDTO.to_station=GZQ&purpose_codes=ADULT"
    	method := "GET"
    	//rawurl := "http://111.231.93.66:8888"
    	rawurl := ""
    	var cookie []http.Cookie
    	c := http.Cookie{Name: "clientcookieid", Value: "121", Expires: time.Now().Add(111 * time.Second)}
    	cookie = append(cookie, c)
    	result := SendHttp(urls, method, rawurl, cookie)
    	fmt.Println(result)
    
    	// 定义make(map[string]interface{})
    	r := make(map[string]interface{})
    	fmt.Println([]byte(result))
    	// 调用标准库encoding/json的Unmarshal
    	// 将JSON数据（JSON以字符串形式表示）转换成[]byte，并将数据加载到对象r的内存地址
    	json.Unmarshal([]byte(result), &r)
    	// r["data"]是读取JSON最外层的key
    	// 如果嵌套JSON数据，则使用map[string]interface{}读取下一层的JSON数据
    	// 如读取key为data里面嵌套的result：r["data"].(map[string]interface{})["result"]
    	// 如果JSON的某个key的数据以数组表示，则使用([]interface{})[index]读取数组中某个数据。
    	// 如读取key为result的第四个数据：r["data"].(map[string]interface{})["result"].([]interface{})[3]
    	fmt.Println(r["data"].(map[string]interface{})["result"].([]interface{})[3])
    }

运行上述代码，其运行结果如图所示。  
![在这里插入图片描述][20190903105544156.png]  
除了可以使用Unmarshal函数来解封 JSON，还可以使用Decoder手动地将 JSON 数据解码到结构里面，以此来处理流式的 JSON 数据（即JSON数据过大的时候），如图所示。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly94eWh1YW5nLmJsb2cuY3Nkbi5uZXQ_size_16_color_FFFFFF_t_70 1]  
通过调用NewDecoder并传入一个包含 JSON 数据的io.Reader，程序创建出了一个新的解码器。在把指向Post结构的引用传递给解码器的Decode方法之后，被传入的结构就会填充上相应的数据，然后这些数据就可以为程序所用了。当所有 JSON 数据都被解码完毕时，Decode方法将会返回一个EOF，而程序则会在检测到这个EOF之后退出for循环。

在面对 JSON 数据时，我们可以根据输入决定使用Decoder还是Unmarshal：如果 JSON 数据来源于io.Reader流，如http.Request的Body，那么使用Decoder更好；如果 JSON 数据来源于字符串或者内存的某个地方，那么使用Unmarshal更好。

\*\*除此之外，标准库encoding/json还可以调用函数Marshal或MarshalIndent（MarshalIndent将JSON数据格式化输出，会将数据自动分段分行处理），将特定的数据转化成JSON数据。此外还可以使用Decoder，代码如下。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly94eWh1YW5nLmJsb2cuY3Nkbi5uZXQ_size_16_color_FFFFFF_t_70 2]  
程序会创建一个用于存储 JSON 数据的 JSON 文件，并通过把这个文件传递给NewEncoder函数来创建一个编码器。接着，程序会调用编码器的Encode方法，并向其传递一个指向Post结构的引用。在此之后，Encode方法会从结构里面提取数据并将其编码为 JSON 数据，然后把这些 JSON 数据写入创建编码器时给定的 JSON 文件里面。

## 第三包jsoniter ##

第三包jsoniter是100% 兼容原生库，但是性能超级好，预先缓存了对应struct的decoder实例，然后unsafe.Pointer省掉了一些interface\{\}的开销，还有一些文本解析上的优化。  
首先在CMD里输入第三包jsoniter的安装指令，如下所示：

go get github.com/json-iterator/go

jsoniter的使用方式也相对简单，只需定义ConfigCompatibleWithStandardLibrary对象即可，由该对象调用Unmarshal或Marshal函数即可实现JSON的解析和转换，比如上述代码中，我们只需修改包的引入和定义ConfigCompatibleWithStandardLibrary即可，代码如下

import (
    	"fmt"
    	"github.com/json-iterator/go"
    	"io/ioutil"
    	"net/http"
    	"net/url"
    	"time"
    )
    ……………………（省略相同代码）
    func main() {
    	……………………（省略相同代码）
    	// 定义make(map[string]interface{})
    	r := make(map[string]interface{})
    	var json = jsoniter.ConfigCompatibleWithStandardLibrary
    	json.Unmarshal([]byte(result), &r)
    	fmt.Println(r["data"].(map[string]interface{})["result"].([]interface{})[3])
    ｝

如果想要了解第三包jsoniter的实现原理，可以参考官方的Github地址：[jsoniter][]

综合上述，本博文只简单讲述了标准库encoding/json和第三包jsoniter如何解析JSON数据，下一节将讲述如何将爬取的数据进行入库处理。

[ffjson]: https://github.com/pquerna/ffjson
[easyjson]: https://github.com/mailru/easyjson
[jsoniter]: https://github.com/json-iterator/go
[jsonparser]: https://github.com/buger/jsonparser
[GoLang_goquery]: https://blog.csdn.net/HuangZhang_123/article/details/100153204
[12306]: https://kyfw.12306.cn/otn/leftTicket/init?linktypeid=dc
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly94eWh1YW5nLmJsb2cuY3Nkbi5uZXQ_size_16_color_FFFFFF_t_70]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/17/98b5dfc423514efe9cde26477947e2e6.png
[20190903105544156.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/17/830316a583544e97bc64f6c30a2e36e6.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly94eWh1YW5nLmJsb2cuY3Nkbi5uZXQ_size_16_color_FFFFFF_t_70 1]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/17/36fb43af27ab4c48a564f30c6a99ce79.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly94eWh1YW5nLmJsb2cuY3Nkbi5uZXQ_size_16_color_FFFFFF_t_70 2]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/17/73bfc0ca83f94ec1afa9c75a29e396c9.png