如何使用 Python 从脚本中提取 JSON？

Question

我正在解析一个抓取的 html 页面，该页面包含一个内部带有 JSON 的脚本。 这个 JSON 包含我正在寻找的所有信息，但我不知道如何提取有效的 JSON。

最小的例子：

my_string = '
        (function(){
          window.__PRELOADED_STATE__ = window.__PRELOADED_STATE__ || [];
          window.__PRELOADED_STATE__.push(
        
           { *placeholder representing valid JSON inside* }
        );
        })()
'

根据jsonlinter，里面的json是有效的。

结果应加载到字典中：

import json
import re
my_json = re.findall(r'.*(?={\").*', my_string)[0] // extract json
data = json.loads(my_json)
// print(data)

正则表达式： https://regex101.com/r/r0OYZ0/1

此尝试导致：

>>> data = json.loads(my_json)
Traceback (most recent call last):
  File "/Library/Frameworks/Python.framework/Versions/3.8/lib/python3.8/code.py", line 90, in runcode
    exec(code, self.locals)
  File "<console>", line 1, in <module>
  File "/Library/Frameworks/Python.framework/Versions/3.8/lib/python3.8/json/__init__.py", line 357, in loads
    return _default_decoder.decode(s)
  File "/Library/Frameworks/Python.framework/Versions/3.8/lib/python3.8/json/decoder.py", line 337, in decode
    obj, end = self.raw_decode(s, idx=_w(s, 0).end())
  File "/Library/Frameworks/Python.framework/Versions/3.8/lib/python3.8/json/decoder.py", line 355, in raw_decode
    raise JSONDecodeError("Expecting value", s, err.value) from None
json.decoder.JSONDecodeError: Expecting value: line 1 column 7 (char 6)

如何使用 Python 3.7.x 从字符串中提取和加载 JSON？

Answer 1

您可以尝试提取此正则表达式，这是一个非常简单的案例，可能无法回答所有可能的 json 变体：

my_string = '''
        (function(){
          window.__PRELOADED_STATE__ = window.__PRELOADED_STATE__ || [];
          window.__PRELOADED_STATE__.push(
        
            {"tst":{"f":3}}
        );
        })()
'''
result = re.findall(r"push\(([{\[].*\:.*[}\]])\)",string3)[0]
result
>>> '{ "tst":{"f":3}}'

现在将其解析为字典：

import json 

dictionary = json.loads(result)
type(dictionary)
>>>dict

Answer 2

此处提供的my_string无效 JSON。 对于有效的 JSON，您可以使用json.loads(JSON_STRING)

import json

d = json.loads('{"test":2}')
print(d) # Prints the dictionary `{'test': 2}`

Answer 3

看看下面。 请注意， { *placeholder representing valid JSON inside* }必须是有效的 JSON。

my_string = '''
        <script>
            (function(){
              window.__PRELOADED_STATE__ = window.__PRELOADED_STATE__ || [];
              window.__PRELOADED_STATE__.push(
            
               {"foo":["bar1", "bar2"]}
            );
            })()
         </script>
'''

import re, json

my_json = re.findall(r'.*(?={\").*', my_string)[0].strip()
data = json.loads(my_json)
print(data)

Output：

{'foo': ['bar1', 'bar2']}