Convertidor de JSON a clases de Python

¿Qué es la conversión de JSON a Python?

Ejemplos

{"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]

Cómo convertir JSON a Python

1. 1

   Pega tu JSON

   Suelta un objeto JSON, un array o una respuesta de API en el campo de entrada. La conversión empieza al instante.

2. 2

   Elige dataclass, Pydantic o TypedDict

   Cambia el estilo de salida para adaptarlo a tu proyecto y renombra la clase raíz desde el Root predeterminado.

3. 3

   Copia o descarga

   Toma el Python generado con un clic y pégalo directamente en tu código.

Common Use Cases

Clientes de API tipados

Convierte una respuesta de ejemplo REST o GraphQL en modelos de Pydantic o dataclasses para un cliente requests o httpx sin escribir a mano las definiciones de campos.

Análisis de configuración y fixtures

Genera modelos para archivos de configuración JSON, fixtures de prueba o payloads de webhooks que necesitas cargar y validar.

Prototipado rápido y sugerencias de tipo

Pega un payload desconocido para ver al instante su forma como tipos de Python — una forma rápida de explorar una nueva API o añadir sugerencias TypedDict a código heredado basado en dicts.

Cómo funciona la conversión

Inferencia estructural

Cada objeto se convierte en una clase con nombre; las formas idénticas se deduplican para que obtengas una sola clase, no copias. Los arrays de objetos se fusionan clave a clave, y las claves ausentes en algunos elementos se convierten en Optional.

Tres destinos idiomáticos

dataclass mantiene cero dependencias y conserva las claves válidas para Root(**data); Pydantic v2 añade alias de Field más populate_by_name para una validación real; TypedDict describe un dict simple para los verificadores de tipos estáticos, usando sintaxis funcional cuando una clave no es un identificador.

Tipado correcto y con pocas dependencias

Los números enteros se asignan a int (precisión arbitraria, sin desbordamiento), los decimales y exponentes a float, y los campos que solo son null a Optional[Any]. Las importaciones de typing (Optional, List, Any) se añaden solo cuando realmente se usan.

100% del lado del cliente

El análisis y la generación se ejecutan en tu navegador sin llamadas de red, por lo que tus datos siguen siendo privados.

Consejos para modelos de Python limpios

Ajusta el modo a la tarea

Usa dataclass para contenedores de datos internos, Pydantic v2 cuando validas o analizas entradas no confiables, y TypedDict cuando solo necesitas sugerencias de tipo estáticas sobre dicts existentes.

Pega una muestra representativa

Los campos se marcan como Optional solo cuando una muestra los omite, y los valores que solo son null recurren a Any. Un ejemplo completo y con datos produce los tipos más precisos.

Nombra tu clase raíz

Define un nombre raíz significativo (User, ApiResponse) en lugar del Root predeterminado para un código legible e importable.

Preguntas frecuentes