如何在Python中优雅地处理JSON文件 | 您所在的位置:网站首页 › python中import json › 如何在Python中优雅地处理JSON文件 |
1. 引言 在本文中,我们将学习如何使用Python读取、解析和编写JSON文件。 我们将讨论如何最好地处理简单的JSON文件以及嵌套的JSON文件,当然我们也将讨论如何访问Json文件数据中的特定值。 2. 什么是JSON文件?JSON(Java Script Object Notation)是一种流行的文件格式,主要用于在web应用程序中存储和传输数据。如果我们经常和数据打交道,那么一定或多或少遇到过JSON格式的文件,因此我们有必要来学习如何读取和写入JSON。 下图为常见的JSON文件结构的示例. JSON结构看起来和Python中的字典非常类似。需要注意的是,JSON格式通常是由key: 结对组成,其中key是字符串形式,value是字符串、数字、布尔值、数组、对象或null。 为了更直观的进行说明,在下图中我们以蓝色突出显示了所有的key,同时以橙色突出显示了所有的value。 请注意,以下每组key/value间均使用逗号进行区分。 在Python中内置了用于读取JSON文件的函数。 以下给出几个如何将JSON文件解析为Python对象的示例。 3.1. 将JSON文件读取为字典类型首先我们需要导入 json库, 接着我们使用open函数来读取JSON文件,最后利用json.load()函数将JSON字符串转化为Python字典形式. 就这么简单,代码如下: import json with open('superheroes.json') as f: superHeroSquad = json.load(f) print(type(superHeroSquad)) # Output: dict print(superHeroSquad.keys()) # Output: dict_keys(['squadName', 'homeTown', 'formed', 'secretBase', 'active', 'members'])上述代码很简单很直观啦,唯一需要注意的是json库中有load()和loads()两个函数. 函数load()作用为读取JSON文件生成Python对象函数loads()作用为读取JSON 字符串流生成Python对象我们可以将loads()函数中的字符s的含义理解成 load for strings. 3.2. 将JSON文件读取为Pandas类型当然我们也可以使用Pandas库中的 read_json函数来读取对应的JSON文件, 代码如下: import pandas as pd df = pd.read_json('superheroes.json')运行结果如下: 需要注意的是使用Pandas库不仅仅可以读取电脑本地磁盘上的JSON文件,也可以通过URL读取网络上存放的文件. 代码如下: df1 = pd.read_json('https://mdn.github.io/learning-area/javascript/oojs/json/superheroes.json')3.3. 使用Pandas读取嵌套JSON类型我们有时候遇到的JSON文件是嵌套的,这经常会让读取工作变得有些困难. 其实嵌套JSON和Python中的嵌套字典思想类似,即字典中嵌套字典. 我们观察上述例子中的member字段,其值也为字典类型,下图中我们使用缩进来展示嵌套结构。 设想一下,当我们将JSON文件加载到Pandas数据框架中时,members列如下所示。每行包含一个字典。 接下来我们讨论两种实现方法,这两种方法中,我们可以解析数据,以便将每个键分解为单独的一列。 方案一我们可以在members这一列上使用apply方法,代码如下: df['members'].apply(pd.Series)上述代码执行后,members列会被拆分为4个新列,如下所示: 当然如果你想将上述拆分后的结果和之前的结果进行合并,可以使用pd.concat函数, 代码如下: df = pd.concat([df['members'].apply(pd.Series), df.drop('members', axis = 1)], axis = 1)方案二在Pandas库中还有一个函数 json_normalize() ,它允许我们把嵌套的JSON展开。这是最简单的方法来解析嵌套的JSON了。 代码如下: def test2(): with open('superheroes.json') as f: superHeroSquad = json.load(f) out = pd.json_normalize(superHeroSquad, record_path=['members'], meta=['squadName', 'homeTown', 'formed', 'secretBase', 'active']) print(out)上述代码中: record_path为我们希望拆分的列的名字meta为列名的list,为我们输出的次序运行结果如下: 最后我们需要注意的是,我们可以在上述函数json_normalize中添加参数 meta_prefix,这样可以让我们对meta中的名字添加统一的前缀。 代码如下: pd.json_normalize(superHeroSquad, record_path = ['members'], meta = ['squadName', 'homeTown', 'formed', 'secretBase', 'active'], meta_prefix = 'members_')运行结果如下: 在Python中我们可以通过Key的名字或者下标来访问JSON文件中任意位置的数据。 比如,假设我们想知道我们的第二个超级英雄的秘密身份。即在下图中,需要访问特定位置的数据在下图中以紫色突出显示。 为了得到这个值,我们可以直接使用以下语句: superHeroSquad['members'][1]['secretIdentity']从上图层次结构的顶部开始,由上往下,我们需要的第一个key是'members',因为它是我们需要访问的值所在的父节点。 接着在‘members’对应的键值中,我们看中括号,然后下标1表示list中的第二个成员。接着我们来看字段'secretIdentity', 如下所示: 将上述过程合并在一起,我们就可以得到我们特定位置出的值为'Jane Wilson'。 细心的同学可能已经注意到,我在上面的JSON片段中突出显示了两个蓝色的值。希望感兴趣的同学们可以作为练习来尝试访问这些值。欢迎在文章后面的评论区中分享你的代码。3.5. 导出JSON让我们编辑一下我们最后一位超级英雄,将其secretIdentity从‘Unknow’更改为‘Will Smith’,接着将这个字典导出为JSON文件。这里我们将使用json.dump()函数将字典写入文件。 代码如下: #update secret identity of Eternal Flame superHeroSquad['members'][2]['secretIdentity'] = 'Will Smith' with open('superheroes.json', 'w') as file: json.dump(superHeroSquad, file)上述代码运行后,我们打开文件superheroes.json,可以发现最后一名超级英雄的secretIdentity已经由Unknow变为了Will Smith. 当然,作为选择,我们也可以使用Pandas中的to_json()函数,完成上述功能。 df.to_json('superheroes.json')3.6. 格式化输出我们有时候在终端直接打印json文件,通常会得到很不美观的输出,样例如下: 为了让其看起来更加美观,我们这里可以在函数json.dump中采用参数indent参数来控制输出格式,代码如下: with open('superheroes.json', 'w') as file: json.dump(superHeroSquad, file, indent = 4)结果输出如下,是不是看上去更加美观啦。。。 当然dump函数中含有字段sort_key,通过设置其值,可以控制输出时是否对key进行排序。需要注意所有的key包括嵌套的key都会进行排序。 样例如下: with open('superheroes.json', 'w') as file: json.dump(superHeroSquad, file, indent = 4, sort_keys = True)运行结果如下: 最后,让我们对本文做一下回顾,总结如下: JSON文件通常由key:结对组成,这里key通常为字符串格式,value一般为字符串,数字,布尔,数组,对象或者nullPython有内置函数可以方便的读取JSON文件转化为Python中的字典类型或者Pandas可以处理的类型使用pd.read_json()来读取简单的JSON,使用pd.json_normalize()来读取嵌套的JSON我们可以通过key的名字或者下标来方便的获取JSON文件中特定位置的值Python对象可以转化为JSON文件,同时可以对输出进行格式化输出以增加可读性5.参考链接一 代码戳我 |
CopyRight 2018-2019 实验室设备网 版权所有 |