Ir para o conteúdo
TextArray1.41.0
Totalmente local

JSON para classe de dados Python

Converta um exemplo JSON em classes Python tipadas — dataclass, Pydantic, TypedDict ou NamedTuple.

Entrada
Saída
Ferramentas relacionadas
JSON para TypeScriptFerramentas de desenvolvedor
Formatador e validador JSONFormatação de texto
Classificar JSONFerramentas de desenvolvedor
diferença de chave i18nFerramentas de desenvolvedor
Conversor de TOML para JSONFerramentas de desenvolvedor
SQL para JSONFerramentas de desenvolvedor
JSON para classe de dados Python
Cole JSON ou uma matriz e esta ferramenta infere automaticamente tipos e gera classes Python com anotações completas. Escolha o estilo: @dataclass, Pydantic BaseModel para validação, TypedDict para código baseado em dicionários ou NamedTuple para registros imutáveis. Objetos aninhados tornam-se suas próprias classes na ordem correta; objetos com formas idênticas reutilizam uma classe em vez de duplicar.
As opções controlam se o código é conservador ou moderno. "Opcional para campos nulos" transforma null em tipos Optional em vez de None nú; "Adicionar valores padrão" permite omitir campos ao construir instâncias. "Pseudónimo para nomes de campo inválidos" trata chaves JSON inválidas e preserva a chave original através de metadados de campo ou Pydantic Field(alias=...). "Usar list[T] em vez de List[T]" alterna entre genéricos modernos de PEP 585 e typing.List antigo, enquanto anotações futuras habilitam sintaxe X | None / X | Y.
A inferência distingue strings, inteiros, floats e booleanos, une conteúdo de matriz misto em Union e dá a arrays raiz um nome RootItem com alias Root = list[RootItem]. Números sem ponto decimal são lidos como int — não há forma de recuperar "36.0" após análise. Tudo é executado localmente; seu JSON e código Python gerado nunca deixam seu dispositivo.
FAQ
Quais estilos de saída são suportados?
Quatro: @dataclass (padrão da biblioteca padrão), Pydantic BaseModel (para validação e análise JSON), TypedDict (anotações de tipo sobre um dicionário simples sem classe runtime) e NamedTuple (registros imutáveis semelhantes a tuplas).
Como objetos aninhados e matrizes de objetos são tratados?
Cada forma de objeto distinta torna-se sua própria classe, nomeada após o campo que a contém e definida antes da classe que a referencia. Objetos com um conjunto idêntico de campos e tipos reutilizam uma classe em vez de duplicar — uma matriz de registros com formas idênticas gera uma única classe de item.
O que acontece com chaves JSON que não são identificadores Python válidos?
Elas são limpas para um nome de atributo válido (por exemplo, "first-name" → first_name). Com "Pseudónimo para nomes de campo inválidos" ativado, a chave original é preservada através de um pseudónimo nativo (metadados de campo em dataclass, Field(alias=...) em Pydantic) ou um comentário à direita para TypedDict e NamedTuple, que não têm mecanismo de pseudónimo integrado.
Consegue distinguir int e float de forma fiável?
Classifica cada número dependendo se tem uma parte fracionária na sua amostra, mas JSON em si não distingue int de float para números inteiros — um valor enviado como 36.0 é indistinguível de 36 após análise, portanto é lido como int.
O meu JSON é enviado para algum lugar?
Não. Análise e geração de código executam completamente no seu navegador — o JSON que cola e o Python que produz nunca deixam o seu dispositivo.