JSON完整例子实战：解析、查询与避坑指南

简介：这份资源是一套面向Java初学者与Web开发入门者的JSON完整示例工程，围绕JSON语法、解析与生成展开，帮助读者理解键值对、数组、嵌套对象等核心结构，并掌握在代码中处理JSON数据的常见方式。压缩包共22个文件，约2.88MB，以14个jar依赖包为主，辅以2个java源码、2个class编译文件及classpath、project等工程配置，另附1份json笔记，整体构成可直接导入运行的JsonDemo项目，依赖涵盖json-lib、commons系列等常用库。目前已有3576人学习下载，适合需要对照示例理解JSON序列化与反序列化流程的开发者。通过源码与笔记，读者可快速掌握JSON对象构建、字符串转换及依赖配置思路，为接口数据交换与AJAX场景打下基础。

1. 从一份“json完整例子”说起：为什么你搜到的 JSON 教程总是跑不通

你搜“json完整例子”，大概率不是想听 JSON 是什么——全称 JavaScript Object Notation，一种轻量级数据交换格式，这你早知道了。你真正卡住的是：拿到一份 JSON 文件，不知道用什么打开、怎么解析、字段怎么取、嵌套数组怎么遍历、格式错了怎么排查。更具体一点，你可能正在做接口联调、配置视频源、处理大模型返回的 JSON 字段，或者被一个 merge conflict 卡了半天。

这份“json完整例子”资源的价值就在这：它不是概念科普，而是一组可直接运行的完整示例，覆盖对象、数组、嵌套结构、类型边界和常见解析场景。适合三类人：刚接触接口开发的新手，需要一份能照着敲的模板；做数据处理的工程师，想快速验证解析逻辑；以及被 JSON 格式问题反复折腾、想搞清边界的人。下面我按“先看懂结构、再动手解析、最后避坑”的顺序拆开讲。

2. JSON 结构拆解：对象、数组与嵌套到底怎么组织

2.1 六种值类型与三种结构形态

JSON 的值类型只有六种：字符串、数字、布尔、null、对象、数组。前四种是标量，后两种是容器。所有复杂的 JSON 都是这六种类型嵌套组合出来的。理解这一点，后面解析时遇到任何结构都不会慌。

对象用花括号{}包裹，内部是键值对，键必须是双引号字符串，值可以是任意类型。数组用方括号[]包裹，元素可以是任意类型，且允许混合。嵌套就是容器里再放容器。常见做法是：对象表示一条记录，数组表示一批记录，嵌套对象表示关联信息。

{ "id": 1001, "name": "示例资源", "active": true, "tags": ["json", "tutorial", "example"], "meta": { "author": "engineer", "version": 2, "published": null }, "items": [ { "sku": "A1", "price": 19.9, "stock": 3 }, { "sku": "B2", "price": 5.0, "stock": 0 } ] }

这段结构里，tags是字符串数组，meta是嵌套对象，items是对象数组。解析时最容易出错的地方是：把items当成对象去取键，或者遍历meta时忘了它是对象不是数组。判断方法很简单——看外层是{}还是[]，{}用键访问，[]用索引或循环。

2.2 用 Python 完整解析一份嵌套 JSON

Python 标准库json就够用，不需要额外装包。下面这段代码把上面的结构解析出来，并演示三种取值方式。

import json raw = ''' { "id": 1001, "name": "示例资源", "tags": ["json", "tutorial"], "meta": {"author": "engineer", "version": 2}, "items": [ {"sku": "A1", "price": 19.9, "stock": 3}, {"sku": "B2", "price": 5.0, "stock": 0} ] } ''' data = json.loads(raw) # 字符串转字典 print(data["name"]) # 直接取标量 print(data["meta"]["author"]) # 嵌套对象逐层取 for item in data["items"]: # 数组用循环 if item["stock"] > 0: print(item["sku"], item["price"])

json.loads()把字符串转成 Python 字典，如果是从文件读就用json.load(open(...))。取值时data["meta"]["author"]是逐层下钻，中间任何一层键不存在都会抛KeyError。遍历数组用for，不要用data["items"][0]硬编码索引，除非你确定只有一条。item["stock"] > 0这种判断在过滤有效数据时很常用，比如筛掉无库存的记录。

参数上唯一需要注意的是json.loads的parse_float和parse_int，默认转成 Python 的 float 和 int。如果价格字段精度要求高，可以传parse_float=Decimal，避免浮点误差。这个细节在处理金额类 JSON 时是血泪经验。

2.3 用 JavaScript 解析并处理数组过滤

前端或 Node 环境里，JSON.parse()是标配。下面演示解析后过滤出有库存的商品，并转成新数组。

const raw = `{"items":[{"sku":"A1","price":19.9,"stock":3},{"sku":"B2","price":5.0,"stock":0}]}`; const data = JSON.parse(raw); // 字符串转对象 const available = data.items.filter( // 过滤有库存的 item => item.stock > 0 ); available.forEach(item => { console.log(`${item.sku} 价格 ${item.price}`); });

JSON.parse()遇到格式错误会直接抛SyntaxError，不会返回部分结果。filter返回新数组，不改变原数据。forEach只做遍历，需要返回新数组时用map。这里容易翻车的是模板字符串里再嵌 JSON 字符串，反引号和双引号混用会导致解析失败，建议 JSON 部分单独用单引号或转义。

3. 从文件到接口：JSON 读取、查询与转换的完整链路

3.1 读取本地 JSON 文件的三种方式

不同场景读文件的方式不一样。Python 读本地文件最直接：

import json with open("data.json", "r", encoding="utf-8") as f: data = json.load(f) # 直接从文件对象加载 print(type(data)) # dict 或 list

encoding="utf-8"必须显式写，否则在部分系统上中文会乱码。如果文件很大，json.load会一次性读进内存，几百 MB 以上建议用ijson流式解析。判断文件是对象还是数组，看开头第一个非空白字符是{还是[。

Node 环境读文件：

const fs = require("fs"); const data = JSON.parse( fs.readFileSync("data.json", "utf-8") ); console.log(Array.isArray(data));

readFileSync是同步读，适合启动时加载配置。接口服务里建议用fs.promises.readFile异步读，避免阻塞。Array.isArray用来判断顶层是数组还是对象，决定后续用循环还是取键。

3.2 JSON 查询：按字段筛选与嵌套取值

“json查询函数”是高频搜索词，很多人想要的是类似 SQL 的查询能力。Python 里没有内置 JSON 查询语法，但可以用列表推导和filter组合实现。

import json data = json.loads(open("data.json", encoding="utf-8").read()) # 查询 stock 大于 0 且 price 小于 20 的记录 result = [ item for item in data["items"] if item["stock"] > 0 and item["price"] < 20 ] print(result) # 提取所有 sku 组成新列表 skus = [item["sku"] for item in data["items"]] print(skus)

列表推导里if可以写多个条件，用and连接。提取字段用[item["sku"] for item in ...]，这是最常用的投影操作。如果嵌套层级深，比如data["meta"]["author"]，建议先赋值给中间变量，避免重复下钻和潜在KeyError。

需要更复杂的查询时，常见做法是用jmespath或jsonpath-ng，语法类似items[?stock > \0`].sku`。但引入第三方库前先确认标准库能不能满足，多数筛选场景列表推导就够了。

3.3 JSON 转其他格式：CSV、TXT 与掩码处理

“json转txt掩码”这类需求通常出现在数据导出场景。把 JSON 数组转 CSV：

import json, csv data = json.loads(open("data.json", encoding="utf-8").read()) with open("out.csv", "w", newline="", encoding="utf-8") as f: writer = csv.DictWriter(f, fieldnames=["sku", "price", "stock"]) writer.writeheader() for item in data["items"]: writer.writerow(item)

DictWriter要求每行是字典，fieldnames决定列顺序。newline=""防止 Windows 下多空行。如果 JSON 字段比 CSV 列多，只写fieldnames里列出的键，多余的自动忽略。转 TXT 掩码时，通常是把敏感字段替换成固定字符：

masked = [ {**item, "sku": item["sku"][:2] + "***"} for item in data["items"] ]

{**item, "sku": ...}是浅拷贝并覆盖字段，不修改原数据。掩码规则按业务定，常见是保留前两位、其余替换。

4. 避坑与排查：JSON 解析中最容易翻车的五个场景

4.1 现象：解析报JSONDecodeError，但肉眼看着格式没错

原因通常有三类：末尾多了逗号、用了单引号、键没加双引号。JSON 标准不允许尾逗号，不允许单引号字符串，键必须双引号。肉眼扫一遍很难发现，尤其是长文件。

解决：用在线校验工具或命令行python -m json.tool data.json，它会指出具体行号。VS Code 里装 JSON 插件也能实时标红。养成保存前格式化一次的习惯，能省很多排查时间。

4.2 现象：中文显示成\u4e2d\u6587转义序列

原因：json.dumps默认ensure_ascii=True，会把非 ASCII 字符转义。读取时其实不影响，但直接看文件很痛苦。

解决：导出时加ensure_ascii=False。

json.dumps(data, ensure_ascii=False, indent=2)

indent=2让输出带缩进，方便人看。读取时不需要额外参数，json.load会自动还原转义。

4.3 现象：大整数或高精度小数解析后精度丢失

原因：JavaScript 的JSON.parse把所有数字转成双精度浮点，超过 2^53 的整数会丢精度。Python 默认 int 不丢，但 float 有浮点误差。

解决：金额类字段在 JSON 里用字符串存，解析后按需转Decimal。大整数 ID 同样建议用字符串。这是接口设计阶段就要定的规则，事后补救很麻烦。

4.4 现象：merge conflict 时 JSON 文件冲突无法自动合并

原因：JSON 是纯文本，Git 按行合并，两个分支同时改同一段结构就会冲突。如果格式化风格不一致（一个缩进 2 空格一个 4 空格），整个文件都会冲突。

解决：团队统一格式化工具，比如 Prettier 配.prettierrc，提交前跑一遍。冲突时不要手动删括号，用git checkout --theirs或--ours先选一边，再手动补差异。结构复杂的 JSON 建议拆成多个小文件，降低冲突概率。

4.5 现象：接口返回的 JSON 里字段有时是对象有时是数组

原因：后端设计不一致，或者空结果时返回{}而非[]。前端按数组遍历就会报错。

解决：解析后先判断类型再处理。

const items = Array.isArray(data.items) ? data.items : [];

这行兜底能避免大部分运行时错误。更根本的办法是推动接口规范统一，空数组返回[]，空对象返回{}，不要混用。

5. 进阶技巧：用 JSON Schema 校验结构，把错误挡在解析之前

前面讲的都是解析后处理，但更高效的做法是解析前先校验。JSON Schema 就是干这个的——它用一份 JSON 描述另一份 JSON 应该长什么样，字段类型、必填项、取值范围都能约束。常见做法是在接口入口或配置文件加载时先跑一遍校验，不合格直接拒绝，避免脏数据流到下游。

Python 里用jsonschema库：

import json from jsonschema import validate, ValidationError schema = { "type": "object", "required": ["id", "name", "items"], "properties": { "id": {"type": "integer"}, "name": {"type": "string"}, "items": { "type": "array", "items": { "type": "object", "required": ["sku", "price"], "properties": { "sku": {"type": "string"}, "price": {"type": "number", "minimum": 0} } } } } } data = json.loads(open("data.json", encoding="utf-8").read()) try: validate(instance=data, schema=schema) print("校验通过") except ValidationError as e: print("校验失败:", e.message)

required列出必填字段，缺一个就报错。type约束类型，minimum约束数值下限。items嵌套 schema 可以逐层校验数组元素。ValidationError的message会指出具体哪个字段不满足，排查很快。

参数上，validate默认遇到第一个错误就停，想看全部错误用iter_errors。schema 本身也可以存成独立 JSON 文件，用json.load读进来，方便版本管理。

这张表覆盖了日常八成校验需求。更复杂的还有oneOf、anyOf、pattern，按需查文档即可。

我现在的习惯是：任何外部来源的 JSON，不管是接口返回还是配置文件，进业务逻辑前先过一遍 schema。有一次线上事故就是配置文件里port写成了字符串"8080"，解析没报错但后续拼接 URL 时出了玄学问题，查了两小时。从那以后我每次加载 JSON 配置都强制走一遍校验，宁可启动时多花几毫秒，也不让脏数据跑到运行时。希望帮到你。

本文还有配套的精品资源，点击获取