Python格式化处理JSON数据的完整指南

更新时间：2026年04月09日 08:23:47 作者：detayun

在Python中,我们经常需要处理JSON数据,而格式化JSON数据是开发过程中的常见需求,本文将详细介绍如何在Python中对JSON数据进行格式化处理,感兴趣的小伙伴可以跟随小编一起学习一下

JSON（JavaScript Object Notation）是一种轻量级的数据交换格式，因其易读性和易解析性而被广泛应用于前后端数据交互、配置文件存储等场景。在Python中，我们经常需要处理JSON数据，而格式化JSON数据是开发过程中的常见需求。本文将详细介绍如何在Python中对JSON数据进行格式化处理。

1. JSON基础回顾

JSON数据由键值对组成，支持的数据类型包括：

字符串（String）
数字（Number）
布尔值（Boolean）
数组（Array）
对象（Object）
null

Python中的json模块提供了处理JSON数据的功能，主要包含两个方法：

json.dumps()：将Python对象转换为JSON字符串
json.loads()：将JSON字符串转换为Python对象

2. 基本格式化方法

2.1 使用json.dumps()的缩进参数

最简单的方式是使用indent参数来指定缩进空格数，使JSON数据更易读：

import json

data = {
    "name": "Alice",
    "age": 25,
    "skills": ["Python", "Data Analysis", "Machine Learning"],
    "address": {
        "city": "New York",
        "zip": "10001"
    }
}

# 基本转换（无格式化）
json_str = json.dumps(data)
print("无格式化:")
print(json_str)

# 带缩进的格式化
formatted_json = json.dumps(data, indent=4)
print("\n格式化后:")
print(formatted_json)

输出结果：

无格式化:
{"name": "Alice", "age": 25, "skills": ["Python", "Data Analysis", "Machine Learning"], "address": {"city": "New York", "zip": "10001"}}
格式化后:
{
    "name": "Alice",
    "age": 25,
    "skills": [
        "Python",
        "Data Analysis",
        "Machine Learning"
    ],
    "address": {
        "city": "New York",
        "zip": "10001"
    }
}

2.2 其他有用的参数

json.dumps()还提供了其他参数来控制输出格式：

sort_keys：按字母顺序对键进行排序
separators：指定分隔符（默认是, 和: ）
ensure_ascii：是否确保ASCII编码（设为False可输出非ASCII字符）

示例：

# 排序键并修改分隔符
sorted_json = json.dumps(data, indent=4, sort_keys=True, separators=(',', ': '))
print("\n排序键并修改分隔符:")
print(sorted_json)

# 处理非ASCII字符
chinese_data = {"name": "张三", "age": 30}
print("\n处理非ASCII字符:")
print(json.dumps(chinese_data, indent=2, ensure_ascii=False))

3. 从文件读取和写入格式化JSON

在实际应用中，我们经常需要从文件读取JSON数据或将其写入文件：

3.1 写入格式化JSON到文件

# 写入格式化JSON到文件
with open('data.json', 'w', encoding='utf-8') as f:
    json.dump(data, f, indent=4, ensure_ascii=False)

3.2 从文件读取JSON并格式化

# 从文件读取JSON并格式化打印
with open('data.json', 'r', encoding='utf-8') as f:
    loaded_data = json.load(f)
    print("从文件读取并格式化:")
    print(json.dumps(loaded_data, indent=4))

4. 使用第三方库进行更高级的格式化

虽然Python内置的json模块功能强大，但对于更复杂的格式化需求，可以考虑使用第三方库如pyjson5或orjson（后者以性能著称，但格式化选项较少）。

使用pyjson5（支持JSON5格式）

JSON5是JSON的超集，支持更多灵活特性：

# 需要先安装: pip install pyjson5
import json5

data5 = {
    name: "Bob",  # 未加引号的键（JSON5特性）
    "age": 30,
    "is_student": false,  # 布尔值小写
    "hobbies": [
        "reading",
        "swimming,
        "coding"  # 字符串可不加引号
    ]
}

formatted_json5 = json5.dumps(data5, indent=2)
print(formatted_json5)

5. 实际应用场景示例

5.1 美化API响应

import requests

response = requests.get('https://api.github.com/users/octocat')
if response.status_code == 200:
    print("GitHub API响应（格式化后）:")
    print(json.dumps(response.json(), indent=2))
else:
    print(f"请求失败，状态码: {response.status_code}")

5.2 配置文件处理

config = {
    "database": {
        "host": "localhost",
        "port": 5432,
        "credentials": {
            "username": "admin",
            "password": "secret"
        }
    },
    "debug": True
}

# 保存格式化配置
with open('config.json', 'w') as f:
    json.dump(config, f, indent=2)

# 读取并显示配置
with open('config.json', 'r') as f:
    loaded_config = json.load(f)
    print("加载的配置:")
    print(json.dumps(loaded_config, indent=2))

6. 性能考虑

虽然格式化使JSON更易读，但会增加数据大小和处理时间：

生产环境中，如果不需要人类阅读，可以省略indent参数
对于大型JSON数据，考虑使用orjson等高性能库

# 性能比较示例
import json
import orjson
import time

large_data = {str(i): i for i in range(10000)}

start = time.time()
json_str = json.dumps(large_data, indent=2)
print(f"标准库格式化耗时: {time.time()-start:.4f}秒")

start = time.time()
json_str = orjson.dumps(large_data).decode()  # orjson不支持indent
print(f"orjson非格式化耗时: {time.time()-start:.4f}秒")

7. 总结

Python提供了多种方式来格式化JSON数据：

使用json.dumps()的indent参数进行基本格式化
结合sort_keys、separators等参数进行更精细控制
使用json.dump()直接写入格式化JSON到文件
对于特殊需求，考虑使用JSON5等扩展格式
在性能关键场景，权衡可读性与性能

格式化JSON数据不仅能提高代码可维护性，还能在调试和日志记录时提供更好的可读性。根据实际需求选择合适的格式化方式，可以让你的Python数据处理更加高效和优雅。

到此这篇关于Python格式化处理JSON数据的完整指南的文章就介绍到这了,更多相关Python格式化JSON数据内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！

您可能感兴趣的文章:

python实现高斯判别分析算法的例子
今天小编就为大家分享一篇python实现高斯判别分析算法的例子，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
2019-12-12
超全Python图像处理讲解(多模块实现)
这篇文章主要介绍了超全Python图像处理讲解(多模块实现),文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
2020-04-04
python多进程重复加载的解决方式
今天小编就为大家分享一篇python多进程重复加载的解决方式，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
2019-12-12
Python Pandas中的分组聚合操作详解
Pandas是Python中用于数据分析的重要工具,提供了丰富的数据操作方法,本文将介绍 Pandas 中的数据分组方法以及不同的聚合操作,感兴趣的小伙伴可以学习一下
2023-11-11
Python内置函数int()的具体使用
这篇文章主要为大家介绍了Python内置函数int()的具体使用，有需要的朋友可以借鉴参考下，希望能够有所帮助，祝大家多多进步，早日升职加薪
2023-03-03
从基础到高级详解Python读写二进制结构数组的完全指南
二进制数据处理是Python编程中至关重要的技能,本文将深入探讨Python中读写二进制结构数组的各种方法和技术,感兴趣的小伙伴可以跟随小编一起学习一下
2025-09-09
Scala中使用Jsoup库处理HTML文档的案例分析
Scala是一种多范式的编程语言,具有函数式编程和面向对象编程的特点,同时也能够与Java语言完美兼容,它拥有强大的类型推断、高阶函数、模式匹配等特性,使得代码更加简洁、灵活和易于维护,这篇文章主要介绍了Scala中使用Jsoup库处理HTML文档的案例分析,需要的朋友可以参考下
2024-04-04
python opencv 实现对图像边缘扩充
今天小编就为大家分享一篇python opencv 实现对图像边缘扩充，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
2020-01-01
Python制作数据分析透视表的方法详解
透视表是一种可以对数据动态排布并且分类汇总的表格格式，在常用的python的数据分析非标准库pandas中体现为pivot_table模块。本文主要介绍了如何实现制作数据分析透视表，需要的可以参考一下
2022-09-09
python去除字符串中换行符的四种方法
python中换行符的作用就是将字符串划分为上下两行去输出显示,但是在有些情况下是不需要去用到换行符的,这个时候就要用方法将其给去除掉,这一篇文章小编会来给大家介绍一下python去除字符串中换行符的方法,感兴趣的话就一起往下看看吧
2024-04-04