JSON zu Python Klassen-Konverter

Was ist die JSON-zu-Python-Konvertierung?

Beispiele

{"id":101,"name":"Ada Lovelace","email":"ada@example.com","active":true,"roles":["admin","user"]}

from dataclasses import dataclass
from typing import List


@dataclass
class Root:
    id: int
    name: str
    email: str
    active: bool
    roles: List[str]

{"repo":"pydantic","owner":{"login":"samuelcolvin","id":100}}

from dataclasses import dataclass


@dataclass
class Owner:
    login: str
    id: int


@dataclass
class Root:
    repo: str
    owner: Owner

{"login":"octocat","publicRepos":15,"createdAt":"2011-01-25"}

from pydantic import BaseModel, ConfigDict, Field


class Root(BaseModel):
    model_config = ConfigDict(populate_by_name=True)

    login: str
    public_repos: int = Field(alias="publicRepos")
    created_at: str = Field(alias="createdAt")

{"users":[{"id":1,"nick":"x"},{"id":2}]}

from typing import List, Optional, TypedDict


class User(TypedDict):
    id: int
    nick: Optional[str]


class Root(TypedDict):
    users: List[User]

So konvertieren Sie JSON nach Python

1. 1

   JSON einfügen

   Fügen Sie ein JSON-Objekt, ein Array oder eine API-Antwort in das Eingabefeld ein. Die Konvertierung startet sofort.

2. 2

   dataclass, Pydantic oder TypedDict wählen

   Schalten Sie den Ausgabestil passend zu Ihrem Projekt um und benennen Sie die Root-Klasse vom Standard Root um.

3. 3

   Kopieren oder herunterladen

   Übernehmen Sie den erzeugten Python-Code mit einem Klick und fügen Sie ihn direkt in Ihren Code ein.

Common Use Cases

Typisierte API-Clients

Verwandeln Sie eine Beispiel-Antwort von REST oder GraphQL in Pydantic-Modelle oder dataclasses für einen requests- oder httpx-Client, ohne Felddefinitionen von Hand zu schreiben.

Konfigurations- und Fixture-Parsing

Erzeugen Sie Modelle für JSON-Konfigurationsdateien, Test-Fixtures oder Webhook-Nutzlasten, die Sie laden und validieren müssen.

Schnelles Prototyping und Typhinweise

Fügen Sie eine unbekannte Nutzlast ein, um ihre Struktur sofort als Python-Typen zu sehen — eine schnelle Möglichkeit, eine neue API zu erkunden oder Legacy-dict-Code TypedDict-Hinweise hinzuzufügen.

Wie die Konvertierung funktioniert

Strukturelle Inferenz

Jedes Objekt wird zu einer benannten Klasse; identische Formen werden dedupliziert, sodass Sie eine Klasse erhalten und keine Kopien. Arrays von Objekten werden Schlüssel für Schlüssel zusammengeführt, und Schlüssel, die in manchen Elementen fehlen, werden zu Optional.

Drei idiomatische Ziele

dataclass kommt ohne Abhängigkeiten aus und behält gültige Schlüssel für Root(**data); Pydantic v2 ergänzt Field-Aliase plus populate_by_name für echte Validierung; TypedDict beschreibt ein schlichtes dict für statische Typprüfer und nutzt die funktionale Syntax, wenn ein Schlüssel kein Bezeichner ist.

Korrekte, abhängigkeitsarme Typisierung

Ganzzahlen werden zu int (beliebig genau, kein Überlauf), Dezimalzahlen und Exponenten zu float und reine null-Felder zu Optional[Any]. typing-Importe (Optional, List, Any) werden nur dann hinzugefügt, wenn sie tatsächlich verwendet werden.

100 % clientseitig

Parsing und Generierung laufen in Ihrem Browser ohne Netzwerkaufrufe, sodass Ihre Daten privat bleiben.

Tipps für saubere Python-Modelle

Modus zur Aufgabe passend wählen

Verwenden Sie dataclass für interne Datencontainer, Pydantic v2, wenn Sie nicht vertrauenswürdige Eingaben validieren oder parsen, und TypedDict, wenn Sie nur statische Typhinweise über bestehende dicts benötigen.

Repräsentatives Beispiel einfügen

Felder werden nur dann als Optional markiert, wenn ein Beispiel sie auslässt, und reine null-Werte fallen auf Any zurück. Ein ausgefülltes, vollständiges Beispiel liefert die genauesten Typen.

Root-Klasse benennen

Vergeben Sie einen aussagekräftigen Root-Namen (User, ApiResponse) statt des Standards Root für lesbaren, importierbaren Code.

Häufig gestellte Fragen