Python 中怎样做数据交换格式

本文涉及的产品
云原生内存数据库 Tair,内存型 2GB
云原生数据库 PolarDB MySQL 版,Serverless 5000PCU 100GB
云数据库 RDS MySQL,集群版 2核4GB 100GB
推荐场景:
搭建个人博客
简介: **摘要:**本文介绍了JSON在数据交换和存储中的重要性,因其易读性和灵活性。Python使用内置的`json`模块来操作JSON文件,包括序列化和反序列化。`json.loads()`用于将JSON字符串转换为Python对象,而`json.load()`从JSON文件中加载数据。相反,`json.dumps()`将Python对象转换为JSON字符串,`json.dump()`则写入到文件。文中还展示了`json.dumps()`的不同参数,如`indent`和`sort_keys`,用于美化输出和排序。

在现代的数据交换和存储中,JSON(JavaScript Object Notation)作为一种轻量级的数据交换格式,备受青睐。它不仅易于阅读和理解,还可以灵活地表达和存储高维数据。本文将介绍如何在 Python 中操作 JSON 文件,实现数据的序列化和反序列化。

1. JSON 数据格式

JSON 格式采用键值对的方式表达信息。它的值可以是对象、数组、字符串、整数、浮点数、布尔型或空值。下面是一个 JSON 数据的例子:

json

复制代码

{
    "name": "kira",
    "age": 18,
    "hobby": ["唱歌", "吹牛"],
    "friends": [
        {"name": "刘德华"},
        {"name": "梁朝伟"}
    ]
}

在实际工作中,我们可以根据需要扩展和定制这种数据格式,以适应不同的场景和业务需求。

2. Python 操作 JSON 文件

Python 提供了内置的 json 模块,用于解析和操作 JSON 数据。

2.1 JSON 反序列化为 Python 对象

将 JSON 数据反序列化为 Python 对象是常见的操作,可以利用 json.loads() 方法实现。

swift

复制代码

import json

json_str = '{"name":"kira","age":18}'
print(json_str, type(json_str))

load_data = json.loads(json_str)
print(load_data, type(load_data))

运行结果:

arduino

复制代码

{"name":"kira","age":18} <class 'str'>
{'name': 'kira', 'age': 18} <class 'dict'>

此外,如果需要从 JSON 文件中加载数据,可以使用 json.load() 方法。

python

复制代码

import json

with open('kira.json', 'r', encoding='utf-8') as f:
    load_data = json.load(f)
    print(load_data, type(load_data))

运行结果:

arduino

复制代码

{'name': 'kira', 'age': 18, 'hobby': ['唱歌', '吹牛'], 'friends': [{'name': '刘德华'}, {'name': '梁朝伟'}]} <class 'dict'>

2.2 Python 序列化为 JSON

与反序列化相对应,Python 可以将对象序列化为 JSON 数据。json.dumps() 方法可以实现这一功能。

python

复制代码

import json

data = {
    "name": "kira",
    "age": 18,
    "hobby": ["唱歌", "吹牛"],
    "friends": [
        {"name": "刘德华"},
        {"name": "梁朝伟"}
    ]
}
json_str = json.dumps(data)
print(json_str)

print(json.dumps(data, ensure_ascii=False))
print(json.dumps(data, ensure_ascii=False, indent=4))
print(json.dumps(data, ensure_ascii=False, indent=4, sort_keys=True))

运行结果:

json

复制代码

{"name": "kira", "age": 18, "hobby": ["\u5531\u6b4c", "\u5439\u725b"], "friends": [{"name": "\u5218\u5fb7\u534e"}, {"name": "\u6881\u671d\u4f1f"}]}
{"name": "kira", "age": 18, "hobby": ["唱歌", "吹牛"], "friends": [{"name": "刘德华"}, {"name": "梁朝伟"}]}
{
    "name": "kira",
    "age": 18,
    "hobby": [
        "唱歌",
        "吹牛"
    ],
    "friends": [
        {
            "name": "刘德华"
        },
        {
            "name": "梁朝伟"
        }
    ]
}
{
    "age": 18,
    "friends": [
        {
            "name": "刘德华"
        },
        {
            "name": "梁朝伟"
        }
    ],
    "hobby": [
        "唱歌",
        "吹牛"
    ],
    "name": "kira"
}

如果需要将 Python 对象序列化后写入 JSON 文件,可以使用 json.dump() 方法。

kotlin

复制代码

import json

data = {
    "name": "kira",
    "age": 18,
    "hobby": ["唱歌", "吹牛"],
    "friends": [
        {"name": "刘德华"},
        {"name": "梁朝伟"}
    ]
}

with open('first.json', 'w', encoding='utf-8') as f:
    json.dump(data, f, ensure_ascii=False, indent=4)

通过上述方法,我们可以轻松地在 Python 中进行 JSON 数据的序列化和反序列化操作。无论是数据交换还是数据存储,JSON 都是一种简单而高效的选择。在实际工作中,我们可以根据具体需求灵活运用 JSON 的优势,提高工作效率。

3 工作中的常见场景

3.1 网络请求和响应

在web开发中,客户端和服务器之间得数据传输通常使用JSON格式。客户端可以将数据封装成 JSON 字符串,通过网络请求发送给服务器。服务器接收到 JSON 数据后,可以使用 Python 中的 JSON 模块将其反序列化为 Python 对象进行处理。处理完成后,服务器可以将结果序列化为 JSON 数据,发送给客户端作为响应。例如:

服务器端(Python):

ini

复制代码

from flask import Flask, jsonify, request

app = Flask(__name__)

@app.route('/api/data', methods=['POST'])
def receive_data():
    data = request.get_json()
    # 对接收到的数据进行处理
    processed_data = process_data(data)
    # 将处理后的数据作为 JSON 响应返回给客户端
    return jsonify(processed_data)

def process_data(data):
    # 在这里进行数据处理的逻辑
    # ...
    return processed_data

if __name__ == '__main__':
    app.run()

客户端(JavaScript):

javascript

复制代码

const data = {
  name: '测试玩家勇哥',
  age: 18,
  hobby: ['唱歌', '吹牛'],
};

fetch('/api/data', {
  method: 'POST',
  headers: {
    'Content-Type': 'application/json',
  },
  body: JSON.stringify(data),
})
  .then(response => response.json())
  .then(responseData => {
    // 处理从服务器返回的响应数据
    console.log(responseData);
  });

上述就是客户端语服务器端之间使用JSON数据传输交互的常见场景。

3.2 配置文件管理

JSON 格式数据非常适合用于存储和管理配置文件,当然数据文件的使用之前勇哥有一篇文章详细介绍过,忘记了的小伙伴可以去复习一下,传送门:python常用的配置文件详谈,下面举个荔枝:

读取配置文件:

ini

复制代码

import json

def read_config_file(file_path):
    with open(file_path, 'r') as f:
        config_data = json.load(f)
    return config_data

# 读取配置文件
config = read_config_file('config.json')

# 获取配置项的值
db_host = config['database']['host']
db_port = config['database']['port']

修改配置文件:

python

复制代码

import json

def update_config_file(file_path, new_config):
    with open(file_path, 'w') as f:
        json.dump(new_config, f, indent=4)

# 读取配置文件
config = read_config_file('config.json')

# 修改配置项的值
config['database']['port'] = 5432

# 更新配置文件
update_config_file('config.json', config)

数据持久化存储也是可以写道JSON文件中的,本文就不做过多的描写了。


转载来源:https://juejin.cn/post/7248623840316932156

相关文章
|
4天前
|
数据格式 Python
【Python】已解决:Excel无法打开文件test.xIsx“,因为文件格式或文件扩展名无效。请确定文件未损坏,并且文件扩展名与文件的格式匹配。
【Python】已解决:Excel无法打开文件test.xIsx“,因为文件格式或文件扩展名无效。请确定文件未损坏,并且文件扩展名与文件的格式匹配。
31 0
|
6天前
|
数据采集 自然语言处理 大数据
​「Python大数据」词频数据渲染词云图导出HTML
使用Python,本文展示数据聚类和办公自动化,焦点在于通过jieba分词处理VOC数据,构建词云图并以HTML保存。`wordCloud.py`脚本中,借助pyecharts生成词云,如图所示,关键词如&quot;Python&quot;、&quot;词云&quot;等。示例代码创建了词云图实例,添加词频数据,并输出到&quot;wordCloud.html&quot;。
15 1
​「Python大数据」词频数据渲染词云图导出HTML
|
1天前
|
算法 数据挖掘 数据处理
搜索新境界:Python二分查找变种实战,精准定位数据不是梦!
【7月更文挑战第13天】二分查找算法以O(log n)效率在有序数组中查找数据。基础算法通过不断分割数组对比中间元素。Python实现变种包括:1) 查找目标值的第一个出现位置,找到后向左搜索;2) 查找目标值的最后一个出现位置,找到后向右搜索。这些变种在数据分析和索引构建等场景中极具价值,提升处理效率。
|
2天前
|
存储 算法 搜索推荐
算法进阶之路:Python 归并排序深度剖析,让数据排序变得艺术起来!
【7月更文挑战第12天】归并排序是高效稳定的排序算法,采用分治策略。Python 实现包括递归地分割数组及合并已排序部分。示例代码展示了如何将 `[12, 11, 13, 5, 6]` 分割并归并成有序数组 `[5, 6, 11, 12, 13]`。虽然 $O(n log n)$ 时间复杂度优秀,但需额外空间,适合大规模数据排序。对于小规模数据,可考虑其他算法。**
13 4
|
1天前
|
数据格式 Python
Python代码示例,读取excel表格,将行数据转为列数据。(10)
【7月更文挑战第10天】Python代码示例,读取excel表格,将行数据转为列数据。
12 2
|
4天前
|
算法 Python
深度剖析!Python中图的DFS与BFS遍历,让你的数据搜索快到飞起
【7月更文挑战第10天】在数据结构和算法中,图遍历是核心概念,Python支持DFS和BFS来探索图。DFS递归深入节点,利用栈,先访问深处;BFS使用队列,层次遍历,先访问最近节点。
18 1
|
5天前
|
数据挖掘 Python
利用Python进行数据分析PDF下载经典数据分享推荐
**Python数据分析大师作,Wes McKinney亲著,详述数据操作、清洗与分析。第2版面向Python 3.6,涵盖pandas、NumPy、IPython和Jupyter更新,实战案例丰富;第3版已升级至Python 3.10和pandas 1.4,继续引领数据科学潮流。[PDF下载](https://zhangfeidezhu.com/?p=337)**
13 0
利用Python进行数据分析PDF下载经典数据分享推荐
|
17小时前
|
数据可视化 Python
时间序列分析是一种统计方法,用于分析随时间变化的数据序列。在金融、经济学、气象学等领域,时间序列分析被广泛用于预测未来趋势、检测异常值、理解周期性模式等。在Python中,`statsmodels`模块是一个强大的工具,用于执行各种时间序列分析任务。
时间序列分析是一种统计方法,用于分析随时间变化的数据序列。在金融、经济学、气象学等领域,时间序列分析被广泛用于预测未来趋势、检测异常值、理解周期性模式等。在Python中,`statsmodels`模块是一个强大的工具,用于执行各种时间序列分析任务。
4 0
|
17小时前
|
机器学习/深度学习 PyTorch TensorFlow
在深度学习中,数据增强是一种常用的技术,用于通过增加训练数据的多样性来提高模型的泛化能力。`albumentations`是一个强大的Python库,用于图像增强,支持多种图像变换操作,并且可以与深度学习框架(如PyTorch、TensorFlow等)无缝集成。
在深度学习中,数据增强是一种常用的技术,用于通过增加训练数据的多样性来提高模型的泛化能力。`albumentations`是一个强大的Python库,用于图像增强,支持多种图像变换操作,并且可以与深度学习框架(如PyTorch、TensorFlow等)无缝集成。
4 0
|
17小时前
|
Python
在Python中,`multiprocessing`模块提供了一种在多个进程之间共享数据和同步的机制。
在Python中,`multiprocessing`模块提供了一种在多个进程之间共享数据和同步的机制。
4 0