Convertisseur JSON vers classe Python

Qu'est-ce que la conversion JSON vers Python ?

Exemples

{"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]

Comment convertir du JSON en Python

1. 1

   Collez votre JSON

   Déposez un objet JSON, un tableau ou une réponse d'API dans le champ de saisie. La conversion démarre instantanément.

2. 2

   Choisissez dataclass, Pydantic ou TypedDict

   Basculez le style de sortie pour l'adapter à votre projet, et renommez la classe racine depuis le Root par défaut.

3. 3

   Copiez ou téléchargez

   Récupérez le Python généré en un clic et collez-le directement dans votre code.

Common Use Cases

Clients d'API typés

Transformez un exemple de réponse REST ou GraphQL en modèles Pydantic ou en dataclass pour un client requests ou httpx, sans écrire à la main les définitions de champs.

Analyse de configs et de fixtures

Générez des modèles pour les fichiers de configuration JSON, les fixtures de test ou les charges utiles de webhooks que vous devez charger et valider.

Prototypage rapide et annotations de types

Collez une charge utile inconnue pour voir instantanément sa forme sous forme de types Python — un moyen rapide d'explorer une nouvelle API ou d'ajouter des annotations TypedDict à du code existant basé sur des dict.

Comment fonctionne la conversion

Inférence structurelle

Chaque objet devient une classe nommée ; les formes identiques sont dédupliquées pour obtenir une seule classe, pas des copies. Les tableaux d'objets sont fusionnés clé par clé, et les clés absentes de certains éléments deviennent Optional.

Trois cibles idiomatiques

dataclass conserve zéro dépendance et préserve les clés valides pour Root(**data) ; Pydantic v2 ajoute des alias Field et populate_by_name pour une vraie validation ; TypedDict décrit un dict simple pour les vérificateurs de types statiques, en utilisant la syntaxe fonctionnelle quand une clé n'est pas un identifiant.

Typage correct et léger en dépendances

Les nombres entiers correspondent à int (précision arbitraire, sans dépassement), les décimaux et les exposants à float, et les champs uniquement null à Optional[Any]. Les imports de typing (Optional, List, Any) ne sont ajoutés que lorsqu'ils sont réellement utilisés.

100 % côté navigateur

L'analyse et la génération s'exécutent dans votre navigateur sans aucun appel réseau, vos données restent donc privées.

Conseils pour des modèles Python propres

Adaptez le mode à la tâche

Utilisez dataclass pour les conteneurs de données internes, Pydantic v2 quand vous validez ou analysez une entrée non fiable, et TypedDict quand vous n'avez besoin que d'annotations de types statiques sur des dict existants.

Collez un échantillon représentatif

Les champs ne sont marqués Optional que lorsqu'un échantillon les omet, et les valeurs uniquement null retombent sur Any. Un exemple complet et renseigné produit les types les plus précis.

Nommez votre classe racine

Donnez un nom racine parlant (User, ApiResponse) au lieu du Root par défaut, pour un code lisible et importable.

Questions fréquentes