Python之JSON：数据交换的轻量级桥梁
引言：无处不在的数据格式
在现代软件开发中，JSON（JavaScript Object Notation）已成为跨平台数据交换的事实标准。这种轻量级数据格式以人类可读的文本为基础，兼具简洁性和高效性，完美契合Python的字典数据结构。Python通过内置json模块提供了完整的JSON处理能力，使开发者能轻松实现数据序列化与反序列化。
一、JSON与Python的映射关系
JSON与Python数据类型存在天然对应关系：
| JSON类型 | Python类型 | 示例 |
|---|---|---|
对象（{}） | dict | {"name": "Alice"} |
数组（[]） | list | [1, 2, 3] |
| 字符串 | str | "Python" |
| 数字 | int/float | 42/3.14 |
true/false | True/False | 布尔值 |
null | None | 空值 |
这种对称性使转换过程直观高效，例如：
import json# Python → JSON
data = {"project": "Apollo", "year": 1969}
json_str = json.dumps(data) # 输出: {"project": "Apollo", "year": 1969}# JSON → Python
restored = json.loads(json_str) # 恢复原始字典
二、核心四剑客：序列化与反序列化
json模块提供四个核心函数处理不同场景：
1. dumps()：对象到字符串
config = {"debug": False,"threshold": 0.8,"plugins": ["filter", "enhance"]
}
json_str = json.dumps(config, indent=2) # 缩进美化输出
2. loads()：字符串到对象
user_data = '{"id": 101, "preferences": {"theme": "dark"}}'
user_dict = json.loads(user_data)
print(user_dict["preferences"]["theme"]) # 输出: dark
3. dump()：对象到文件
with open("config.json", "w") as f:json.dump(config, f, ensure_ascii=False) # 保留非ASCII字符
4. load()：文件到对象
with open("data.json", "r") as f:restored_data = json.load(f)
三、处理复杂场景
自定义对象序列化
通过继承JSONEncoder处理自定义类：
class User:def __init__(self, name, age):self.name = nameself.age = ageclass UserEncoder(json.JSONEncoder):def default(self, obj):if isinstance(obj, User):return {"name": obj.name, "age": obj.age}return super().default(obj)user = User("Bob", 30)
print(json.dumps(user, cls=UserEncoder)) # 输出: {"name": "Bob", "age": 30}
日期时间处理
from datetime import datetimedef datetime_handler(obj):if isinstance(obj, datetime):return obj.isoformat()raise TypeError("Type not serializable")event = {"time": datetime.now(), "action": "login"}
json.dumps(event, default=datetime_handler) # 输出: {"time": "2023-07-15T12:30:45", "action": "login"}
四、实战案例：API数据处理
模拟从天气API获取数据并分析：
import json
import requests# 1. 获取API数据
response = requests.get("https://api.weather.com/v3/forecast")
raw_data = response.text# 2. 解析JSON
weather_data = json.loads(raw_data)# 3. 提取关键信息
forecasts = [{"date": day["date"],"temp": day["temp"]["avg"],"conditions": day["conditions"]}for day in weather_data["forecast"][:3] # 取前三日
]# 4. 保存结构化数据
with open("forecast.json", "w") as f:json.dump(forecasts, f, indent=2)
五、高级技巧与陷阱规避
1. 性能优化
- 大文件处理：使用
ijson库流式解析 - 加速解析：
ujson库（第三方）速度提升3倍
2. 安全陷阱
反序列化时警惕JSON劫持：
# 危险：执行任意代码
恶意数据 = '{"__init__": {"__globals__": {"os": {"system": "rm -rf /*"}}}}'# 安全方式：仅加载可信数据源
3. 特殊值处理
# NaN/Infinity转换
data = {"value": float("nan")}
json.dumps(data, allow_nan=False) # 抛出ValueError
六、JSON与其他格式对比
| 特性 | JSON | XML | Pickle |
|---|---|---|---|
| 可读性 | ★★★★☆ | ★★★☆☆ | ★☆☆☆☆ |
| 安全性 | ★★★★☆ | ★★★★☆ | ★☆☆☆☆ |
| Python兼容性 | ★★★★☆ | ★★☆☆☆ | ★★★★★ |
| 数据类型支持 | 基础类型 | 自定义类型 | 所有Python对象 |
| 跨语言支持 | 全平台 | 全平台 | Python专用 |
结语：优雅的数据之舞
JSON在Python中的优雅实现，如同在数据海洋中架起一座轻巧而坚固的桥梁。从简单的配置存储到复杂的分布式系统通信，掌握json模块赋予开发者将结构化数据自由穿梭于内存、网络和存储介质的能力。随着Python生态的发展，JSON将继续作为数据交换的通用语言，在Web API、微服务、数据管道等场景中扮演核心角色。
通过本文的实例与技术解析，读者可建立完整的JSON处理知识体系。实际开发中，建议结合具体场景选择序列化策略，并始终将数据安全置于首位。