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：

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 = name
        self.age = age

class 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 datetime

def 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

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。