Naprawianie nieprawidłowego JSON escape

Question

KISSmetrics generuje niepoprawne łańcuchy JSON, które muszę przeanalizować. Dostaję mnóstwo błędów jak

ERROR 2013-03-04 04:31:12,253 Invalid \escape: line 1 column 132 (char 132): {"search engine":"Google","_n":"search engine hit","_p":"z392cpdpnm6silblq5mac8kiugq=","search terms":"happy new year animation 1920\303\2271080 hd","_t":1356390128} 

ERROR 2013-03-04 04:34:19,153 Invalid \escape: line 1 column 101 (char 101): {"search engine":"Google","_n":"ad campaign hit","_p":"byskpczsw6sorbmzqi0tk1uimgw=","search terms":"\331\203\330\261\330\252\331\207 \331\201\331\212\330\257\331\212\330\244\331\211 \330\256\331\212\331\204\330\247\330\255\331\211 \331\203\331\210\330\261\330\257\331\211","_t":1356483052} 

Mój kod to:

for line in lines: 
    try: 
     data = self.clean_data(json.loads(line)) 
     except ValueError, e: 
      logger.error('%s: %s' % (e.message, line)) 

Przykład surowe dane:

{"search engine":"Google","_n":"search engine hit","_p":"kvceh84hzbhywcnlivv+hdztizw=","search terms":"military sound effects programs","_t":1356034177} 

Czy jest jakaś szansa na porządki ten bałagan JSON i analizować je? Dzięki za pomoc.

Answer 1

Twoje dane wejściowe zawierają ósemkowe znaki specjalne; te byłyby rzeczywiście nieważne. Zastąpić je zdekodowanych bajtów za pomocą wyrażenia regularnego:

import re 

invalid_escape = re.compile(r'\\[0-7]{1,3}') # up to 3 digits for byte values up to FF 

def replace_with_byte(match): 
    return chr(int(match.group(0)[1:], 8)) 

def repair(brokenjson): 
    return invalid_escape.sub(replace_with_byte, brokenjson) 

To sprawia, że ​​praca wejściowy:

>>> data1 = r"""{"search engine":"Google","_n":"search engine hit","_p":"z392cpdpnm6silblq5mac8kiugq=","search terms":"happy new year animation 1920\303\2271080 hd","_t":1356390128}""" 
>>> json.loads(repair(data1)) 
{u'_n': u'search engine hit', u'search terms': u'happy new year animation 1920\xd71080 hd', u'_p': u'z392cpdpnm6silblq5mac8kiugq=', u'_t': 1356390128, u'search engine': u'Google'} 
>>> print json.loads(repair(data1))['search terms'] 
happy new year animation 1920×1080 hd 
>>> data2 = r"""{"search engine":"Google","_n":"ad campaign hit","_p":"byskpczsw6sorbmzqi0tk1uimgw=","search terms":"\331\203\330\261\330\252\331\207 \331\201\331\212\330\257\331\212\330\244\331\211 \330\256\331\212\331\204\330\247\330\255\331\211 \331\203\331\210\330\261\330\257\331\211","_t":1356483052}""" 
>>> json.loads(repair(data2)){u'_n': u'ad campaign hit', u'search terms': u'\u0643\u0631\u062a\u0647 \u0641\u064a\u062f\u064a\u0624\u0649 \u062e\u064a\u0644\u0627\u062d\u0649 \u0643\u0648\u0631\u062f\u0649', u'_p': u'byskpczsw6sorbmzqi0tk1uimgw=', u'_t': 1356483052, u'search engine': u'Google'} 
>>> print json.loads(repair(data2))['search terms'] 
كرته فيديؤى خيلاحى كوردى 

Answer 2

Rozważmy cjson na dokładnym tego scenariusza (https://pypi.python.org/pypi/python-cjson)

Wydaje obsłużyć uciekły octals (i szybko).

Answer 3

Miałem podobny problem, a samo zastąpienie biblioteki jsona przez yaml rozwiązało problem. (YAML jest zgodny z JSON.)

Przykład:

import yaml 

obj = yaml.load(json_string) # instead of json.loads(json_string)