使用python从网站解析json文件

Question

我希望解析并保存嵌入在 html 代码中的 json 文件的内容。但是，当我隔离相关字符串并尝试使用 json 包加载它时，我收到错误 JSONDecodeError: Extra data 并且我不确定是什么原因造成的。

有人建议相关代码实际上可能包含多个字典，这可能会出现问题，但如果这是真的，我不清楚如何进行。下面提供了我的代码。任何建议都非常感谢！

from bs4 import BeautifulSoup
import urllib.request 
from urllib.request import HTTPError
import csv
import json
import re

def left(s, amount):
    return s[:amount]

def right(s, amount):
    return s[-amount:]

def mid(s, offset, amount):
    return s[offset:offset+amount]
url= "url"
from urllib.request import Request, urlopen
req = Request(url, headers={'User-Agent': 'Mozilla/5.0'})
try:
    s = urlopen(req,timeout=200).read()
except urllib.request.HTTPError as e:
    print(str(e))  
soup = BeautifulSoup(s, "lxml")
tables=soup.find_all("script")
for i in range(0,len(tables)):
    if str(tables[i]).find("TimeLine.init")>-1:
        dat=str(tables[i]).splitlines()
        for tbl in dat:
            if str(tbl).find("TimeLine.init")>-1:
                s=str(tbl).strip()
j=json.loads(s)

Answer 1

您可以使用 JSON 自己的异常报告来帮助解析，它给出了 loads() 失败的位置，例如：

Extra data: line 1 column 1977 (char 1976)

以下脚本首先定位所有 javascript <script> 标签并在每个标签中查找函数。然后它会找到 JSON 文本的外部开始和结束。然后，它会尝试对其进行解码，记录失败的偏移量，跳过该字符并再次尝试。当找到最终块时，它将成功解码。然后它在每个有效块上调用loads()，将结果存储在json_decoded：

from bs4 import BeautifulSoup
from urllib.request import HTTPError, Request, urlopen
import csv
import json

url = "url"
req = Request(url, headers={'User-Agent': 'Mozilla/5.0'})

try:
    s = urlopen(req, timeout=200).read()
except urllib.request.HTTPError as e:
    print(str(e))  

json_decoded = []
soup = BeautifulSoup(s, "lxml")

for script in soup.find_all("script", attrs={"type" : "text/javascript"}):
    text = script.text
    search = 'FieldView.TimeLine.init('
    field_start = text.find(search)

    if field_start != -1:
        # Find the start and end of the JSON in the function
        json_offsets = []
        json_start = field_start + len(search)
        json_end = text.rfind('}', 0, text.find(');', json_start)) + 1

        # Extract JSON
        json_text = text[json_start : json_end]

        # Attempt to decode, and record the offsets of where the decode fails
        offset = 0

        while True:
            try:
                dat = json.loads(json_text[offset:])
                break
            except json.decoder.JSONDecodeError as e:
                # Extract failed location from the exception report
                failed_at = int(re.search(r'char\s*(\d+)', str(e)).group(1))
                offset = offset + failed_at + 1
                json_offsets.append(offset)

        # Extract each valid block and decode it to a list
        cur_offset = 0

        for offset in json_offsets:
            json_block = json_text[cur_offset : offset - 1]
            json_decoded.append(json.loads(json_block))
            cur_offset = offset

print(json_decoded)

这导致json_decoded 持有两个 JSON 条目。

Answer 2

您正在尝试解析如下所示的字符串：

FieldView.TimeLine.init(,,, true, 4, "29:58", 1798);上一页>

尖括号  在这里只是用来分组，它们没有特殊含义，实际上并不存在。

您将无法正确解析它，因为它不是有效的 json。
相反，剥离函数调用并添加例如方括号将函数的参数包装到一个 json 数组中。

json.loads("[{:s}]".format(str(dat[4]).strip()[24:-2])