ToolConvoyToolConvoyv2.6
DEV

JSON 转 Python — 从 JSON 生成 Python 数据类

从 JSON 生成带类型提示的 Python dataclass。支持可选字段、snake_case 命名、Pydantic 模式 —— 全在浏览器中完成，无需上传。

● 本地运行 · 在您的标签页中生成页面加载以来工具发出的网络请求：0 次

JSON to Python Dataclass

Convert JSON to Python dataclass with type hints. Works entirely in your browser.

您可能还需要

排序行MD5 哈希UUID 生成器JSON 转 CSVBase64 编码PDF 拆分HAR 转 cURLTOML 工具.env 助手MsgPack 检查器PDF 压缩PDF 转 EPUB
打开生成器

Python 的类型注解系统已经从 linter 用的小众特性，发展成语言本身的核心部分。Dataclass、TypedDict 与 Pydantic 模型，是同一个问题的三种不同答案：如何在 Python 中以类型安全的方式表达结构化数据，而不用为每个类写上百行样板代码？JSON-to-Python 生成器会遍历一份 JSON 响应，输出一个清楚知道自身形状的带类型 Python 类 —— 这是迈向类型安全 API 消费、配置管理和数据校验的第一步。

Python 数据建模中「不那么显然」的选择，是在运行时校验与类型检查器校验之间。Pydantic 模型在运行时校验 —— 如果你传入字符串而期望的是 int，它会立刻抛出一个 ValidationError，这让它成为 API 边界（FastAPI 端点、消息队列、配置文件解析）的正确选择。Dataclass 只在类型检查器（mypy、pyright）里校验 —— 传错类型时 IDE 会标红，但代码照样能跑。TypedDict 在运行时什么也不做，纯粹是给类型检查器看的注解。来自外部源的数据选 Pydantic；在代码内部产生、需要带类型安全传来传去的数据选 dataclass；类型检查器就是强制层的代码库选 TypedDict。

生成 dataclass 之后最常见的下一步，是把它和 json.loads() 或 requests.get().json() 配合，用一个自定义解码器把 JSON 键映射到 dataclass 字段。对 FastAPI 来说，把生成的 Pydantic 模型包成路由参数，校验和序列化由 FastAPI 自动完成。对 SQLAlchemy 来说，生成的 dataclass 变成 ORM 模型的属性 —— 表映射由你手写。生成的类是 schema；装配的工作属于应用层。

广告

使用方法

  1. 粘贴你的 JSON

    拖入一个 JSON 对象或粘贴一段 JSON 字符串。生成器会为每个字段推断 Python 类型，并输出一个为每个属性都带类型提示的 `@dataclass`。

  2. 选择类风格

    在 `@dataclass`（标准库）、`TypedDict`（仅类型检查，无运行时开销）和 `pydantic.BaseModel`（Pydantic 的完整校验）之间选择。三种风格各有不同的定位。

  3. 复制或下载 .py 文件

    把 Python 类复制到剪贴板，或下载为 .py 文件。输出兼容 Python 3.9+ 和标准库 —— 选择 dataclass 时无需任何额外依赖。

常见问题

该选 dataclass、TypedDict 还是 Pydantic？

默认选 dataclass —— 它带类型提示，支持 `dataclasses.asdict(dc)` 做往返转换，而且不依赖任何额外包。TypedDict 是仅类型检查器（mypy、pyright）的构造，运行时零开销。Pydantic 模型增加了校验、解析和 schema 生成能力，但需要 `pydantic` 包。

如何处理 camelCase 的 JSON 键？

默认情况下，camelCase 的 JSON 键（`userId`、`createdAt`）会被输出为 snake_case 的 Python `@dataclass` 字段（`user_id`、`created_at`），并附带 `field(metadata={'json': 'userId'})` 注解。开启「保持原始命名」开关后，字段名会与 JSON 中的写法完全一致。

如何处理可选字段？

样本里为 null 的字段，以及某些数组元素里缺失的字段，都会变成 `Optional[T]` 并默认值为 `None`。类型提示 `Optional[str]` 在 Python 里就是 JSON 中 `string | null` 的等价写法。

嵌套的 JSON 对象怎么处理？

嵌套对象会变成嵌套的 dataclass 或 Pydantic 模型类。在 TypedDict 模式下，嵌套对象会变成嵌套的 TypedDict。嵌套结构与 JSON 完全镜像 —— `user.profile.name` 这条路径会产出 `User` 类，其中带一个 `profile: Profile` 字段。

会处理 Python 保留字吗？

会的。`class`、`import`、`from`、`pass`、`type` 这类 JSON 键在 Python 类中会被转成 `class_`、`import_`、`from_`、`pass_`、`type_`。`metadata={'json': 'class'}` 注解会保留原键，以便序列化。

限制说明

  • 不集成 async 或 FastAPI输出只是数据类。FastAPI 路由定义、异步数据库映射、依赖注入装配都不会生成 —— 这些围绕 dataclass 由你自己手写。
  • 歧义情况下推断为 Any 类型混合类型的 JSON 数组，或深层多态的值，会被推断为 `Any`。如果 API 契约比样本所暗示的更强，可以手写一个更窄的类型提示。
  • Pydantic V2 与 V1 的差异Pydantic 选项输出的是 Pydantic V2 风格的模型（`model_validate`、`model_dump`）。如果你的代码库还在用 Pydantic V1，把方法调用手动改成 `.parse_obj` 和 `.dict`。

平台说明

macOS
PyCharm、装了 Pylance 的 VS Code，以及配 jedi 的 vim 都能正确处理生成的 dataclass。在开发过程中，可以从 API 响应里直接用本浏览器工具一次性生成。
Windows
生成的 dataclass 可以在任何 Python 环境中运行。对从 API 调试器粘贴进来的内容，用本浏览器工具快速一次性生成 dataclass 很方便。
Linux
命令行场景下，标准等价工具是 `datamodel-code-generator`。当没有可用 Python 环境或额外包时，本浏览器工具是临时性生成场景的正确选择。
Web
完全在客户端运行。生成过程只需几毫秒 —— 粘贴、复制、完成。
广告
广告