💡 开篇聊聊：为什么 JSON 这么重要？
你有没有发现，现在我们写 Python，几乎绕不开一个东西：JSON。
打开一个 API 接口，返回的是 JSON； 翻个配置文件，存储的是 JSON； 甚至你写个爬虫，扒下来的数据，十有八九也是 JSON。
可以说，JSON 就像数据世界的“英语”，谁都得懂点。
而在 Python 里，处理 JSON 的关键武器就是自带的 json 模块。
很多人以为这东西很简单：不就是 dumps、loads 吗？但真要用到复杂业务时，才会发现——里面藏着不少细节和坑。
今天我就带你，从最简单的入门，到高级的定制玩法，再到一些实战中的坑和小技巧，把 json 模块聊透。
这不是“搬运文档”，而是把它放到真实开发场景里讲，让你学了就能用，且心里有数。
🚀 第一层：最基础的编码和解码
所有关于 JSON 的操作，基本都绕不开两个函数：
json.dumps()—— 把 Python 对象转成 JSON 字符串json.loads()—— 把 JSON 字符串转回 Python 对象
看个例子：
import json
# Python 字典转换为 JSON 字符串
data = {"name": "Alice", "age": 25, "is_student": False}
json_str = json.dumps(data)
print(json_str) # 输出: {"name": "Alice", "age": 25, "is_student": false}
# JSON 字符串转换回 Python 字典
python_dict = json.loads(json_str)
print(python_dict["name"]) # 输出: Alice
是不是很直观？
不过注意了：
- Python 的
True/False会被转成true/false - Python 的
None会变成null - 而像集合、函数、类这种东西，默认是没法直接转的
这就像你要翻译语言，有些词能直译，有些就得解释甚至“改写”。
🚀 第二层：文件操作，别再傻乎乎自己写读写了
真实项目里，JSON 更多的不是存在内存里，而是保存在文件中。比如：
- 网站的配置文件
- 存储爬虫抓到的数据
- 或者日志和缓存
如果你用 dumps 再 write，或者 read 再 loads，那就太麻烦了。
Python 早就贴心地给你准备了两个函数：
json.dump()—— 直接把对象写入文件json.load()—— 直接从文件读出 JSON
看例子：
import json
# 将数据写入 JSON 文件
data = {"users": ["Alice", "Bob", "Charlie"], "count": 3}
with open("data.json", "w") as f:
json.dump(data, f)
# 从 JSON 文件读取数据
with open("data.json", "r") as f:
loaded_data = json.load(f)
print(loaded_data["users"]) # 输出: ['Alice', 'Bob', 'Charlie']
一句话总结：
dumps/loads是处理字符串的，dump/load是处理文件的。
🚀 第三层：复杂对象怎么搞？
问题来了，假设你有一个自定义的类，比如用户对象，里面还有 datetime 时间字段。
默认序列化肯定报错，因为 JSON 根本不认识这些类型。
这时候就要用到 default 和 object_hook 参数，来自定义序列化/反序列化逻辑。
from datetime import datetime
import json
class User:
def __init__(self, name, join_date):
self.name = name
self.join_date = join_date
# 自定义序列化函数
def user_encoder(obj):
if isinstance(obj, User):
return {"name": obj.name, "join_date": obj.join_date.isoformat()}
elif isinstance(obj, datetime):
return obj.isoformat()
raise TypeError(f"Object of type {obj.__class__.__name__} is not JSON serializable")
# 创建并序列化复杂对象
user = User("Alice", datetime.now())
json_str = json.dumps(user, default=user_encoder)
print(json_str) # 输出包含用户信息和日期的 JSON 字符串
这样，你就能“教会” JSON 该怎么理解你的类。
这一点在实际开发里太重要了，不然很多复杂数据根本保存不下来。
🚀 第四层：美观 vs 性能，两全其美
有时候，你要把 JSON 打印出来给人看，那必须排版整齐，不然眼睛要瞎；
但有时候，你是要把 JSON 传到网络上，数据越紧凑越好，不然带宽压力大。
这就用到 indent、separators、sort_keys 这些参数了。
data = {"name": "Alice", "skills": ["Python", "SQL", "Data Analysis"], "age": 28}
# 美化输出，适合人类阅读
pretty_json = json.dumps(data, indent=4, sort_keys=True)
print(pretty_json)
# 优化输出，减少空格，适合网络传输
compact_json = json.dumps(data, separators=(",", ":"))
print(compact_json)
这就像两种不同的“写作文”风格：
- 给老师看的，排版整齐，字迹工整
- 给自己看的，速记，越省空间越好
场景不同，写法就不同。
🚀 第五层：实战中的坑和小技巧
很多人以为学了上面四层就完事了，结果一到实战就翻车。这里我总结几个常见坑：
1. JSON 解析错误
malformed_json = '{"name": "Alice", "age": }' # 缺少值
try:
data = json.loads(malformed_json)
except json.JSONDecodeError as e:
print(f"JSON 解析错误: {e}")
别让程序直接崩掉，记得用 JSONDecodeError 去兜底。
2. Unicode 问题
中文经常会被转成 \u4e2d\u6587 这种，看着很烦。解决办法：
json.dumps(data, ensure_ascii=False)
3. 浮点数精度
有些场景对数字精度很敏感，注意 JSON 可能把 1.00000001 变成 1.0。
4. 循环引用
比如一个对象引用了自己，会无限递归报错。这种情况得小心数据结构，别瞎转。
🚀 最后一层：心法
其实，学工具不是目的。
真正的高手，关注的不只是“怎么用”，而是：
- 什么时候该用 JSON？
- 怎么让 JSON 更高效？
- 怎么保证安全，不被奇怪的输入搞崩？
就像会开车，不只是会踩油门刹车，更是懂得什么时候该开快，什么时候该减速。
所以，当你下次处理 JSON 时，可以多问自己几个问题：
- 这个数据会不会特别大？
- 要不要给人看？要不要美化？
- 有没有潜在的安全风险？
带着这些思考去实践，你才会真的进阶。
🔥 总结
今天我们一路走下来，从最基础的 dumps / loads，到文件操作 dump / load，再到复杂对象、格式优化、常见陷阱。
掌握这些，你基本可以应付 90% 的场景了。剩下的 10%，需要你在实战中不断踩坑，不断优化。
记住：
- JSON 是数据世界的通用语言
json模块是 Python 的翻译官- 会用只是第一步，懂得“何时、为何、如何用”才是真正的高手
如果你读完觉得收获不小，不妨点个赞，或者分享给身边也在写 Python 的朋友。
毕竟，学会一个模块只是开始，用它打开更多的可能性，才是真正的进阶。
