Python通过json模块将API返回的JSON数据解析为字典或列表，便于访问和操作。首先使用requests库发送HTTP请求并获取响应，调用response.json()自动解析JSON；若为JSON字符串，则用json.loads()转换。处理时需注意错误捕获、键是否存在及数据类型验证。对于复杂嵌套结构，推荐使用get()方法避免KeyError，并可借助列表推导式提取信息。此外，json.dumps()可将Python对象序列化为JSON字符串，支持美化输出和文件读写（json.dump/load），适用于配置管理与数据持久化。面对不支持的类型如datetime，可通过自定义JSONEncoder扩展功能。总体而言，json模块是实现数据交换、解析与存储的核心工具。

Python处理API返回的JSON数据，核心就是利用其内置的

json

模块将JSON字符串转换成Python能识别的字典或列表结构。这就像是把一份外文菜单（JSON）翻译成你熟悉的语言（Python对象），然后你就可以随意点菜（访问数据）了。

解决方案

处理API返回的JSON数据，通常会涉及以下几个步骤，而且Python的

requests

库和

json

模块配合得天衣无缝：

1. 发送HTTP请求并获取响应： 首先，你需要向API端点发送一个HTTP请求。

   requests

   库是Python中处理HTTP请求的事实标准，它让这个过程变得异常简单。

   import requests  api_url = "https://api.example.com/data" # 替换成你的API地址 try:     response = requests.get(api_url)     response.raise_for_status() # 检查HTTP请求是否成功（状态码200） except requests.exceptions.RequestException as e:     print(f"请求失败: {e}")     # 这里可以做更详细的错误处理，比如重试、记录日志等     exit()

2. 解析JSON数据：

   requests

   库非常智能，如果响应头中指明了内容是JSON（

   Content-Type: application/json

   ），你可以直接调用

   response.json()

   方法。这个方法会自动使用

   json

   模块来解析JSON字符串，并返回一个Python字典或列表。

   立即学习“Python免费学习笔记（深入）”；

   try:     data = response.json()     # 此时，data就是一个Python字典或列表，你可以像操作普通Python对象一样操作它了     print("成功解析的JSON数据类型:", type(data))     # 假设返回的数据是 {'name': 'Alice', 'age': 30}     if isinstance(data, dict):         print("姓名:", data.get('name'))         print("年龄:", data.get('age'))     elif isinstance(data, list):         print("列表第一个元素:", data[0]) except requests.exceptions.JSONDecodeError as e:     print(f"JSON解析失败: {e}")     # 这通常意味着API返回的不是有效的JSON，或者响应体为空 except Exception as e:     print(f"处理数据时发生未知错误: {e}")

   如果出于某种原因，你拿到的只是一个JSON字符串（比如从文件中读取），那么你需要显式地使用

   json.loads()

   方法：

   import json json_string = '{"city": "New York", "population": 8000000}' try:     city_data = json.loads(json_string)     print("城市:", city_data['city']) except json.JSONDecodeError as e:     print(f"手动解析JSON字符串失败: {e}")

3. 访问和操作数据： 一旦JSON数据被解析成Python字典或列表，你就可以使用标准的Python语法来访问其中的元素了。比如，通过键名访问字典的值，通过索引访问列表的元素。对于嵌套结构，你可以链式地访问它们。

API为什么偏爱JSON格式？

说实话，在我看来，JSON之所以成为API数据交换的主流，主要因为它实在太方便、太直观了。想想看，以前XML也流行过一阵子，但那繁琐的标签和解析复杂度，简直让人头疼。

JSON（JavaScript Object Notation）最大的优势在于它的轻量级和易读性。它基于文本，结构清晰，人类阅读起来一目了然，机器解析起来也效率很高。它直接映射到编程语言中常见的数据结构，比如Python的字典和列表，JavaScript的对象和数组，这使得不同语言之间的数据交换变得异常顺畅。你不需要额外的解析器去理解复杂的DTD（文档类型定义）或Schema，一个简单的

json.loads()

就能搞定一切。

而且，JSON是语言无关的，它只是一个数据表示格式，不依赖于任何特定的编程语言。无论是Python、Java、Node.js还是Go，都有成熟的库来处理JSON，这让跨平台、跨语言的系统集成变得异常简单。相比之下，XML虽然功能强大，但其冗余的标签和相对复杂的结构，在网络传输效率和开发便利性上都略逊一筹。所以，当我们需要在客户端和服务器之间快速、高效地传递结构化数据时，JSON几乎成了不二之选。

处理复杂或大型JSON数据有哪些实用技巧？

处理API返回的JSON数据，尤其是当数据结构复杂或体量庞大时，确实需要一些策略。我个人在实践中总结了一些还算管用的技巧：

首先，健壮的错误处理是基础。API请求可能会失败，返回的状态码可能不是200；或者返回的响应体可能不是有效的JSON。所以，

try...except

块是你的好朋友。除了捕获

requests.exceptions.RequestException

和

requests.exceptions.JSONDecodeError

，我还倾向于对特定的HTTP状态码进行处理，比如404（资源未找到）、401（未授权）或500（服务器内部错误），这样能更精确地定位问题。

百宝箱

百宝箱是支付宝推出的一站式AI原生应用开发平台，无需任何代码基础，只需三步即可完成AI应用的创建与发布。

292

查看详情

其次，导航嵌套结构时，要小心“键不存在”的错误。直接使用

data['key']['subkey']

这样的链式访问，一旦中间某个键不存在，程序就会崩溃。更稳妥的做法是使用字典的

get()

方法，它允许你提供一个默认值，或者在访问前先检查键是否存在。

# 避免KeyError user_info = data.get('user', {}) # 如果'user'不存在，返回空字典 username = user_info.get('name', '未知用户') # 如果'name'不存在，返回'未知用户'

对于列表中的字典，可以使用列表推导式或循环来处理：

# 假设data是[{'id': 1, 'name': 'A'}, {'id': 2, 'name': 'B'}] names = [item.get('name') for item in data if isinstance(item, dict)]

再者，数据清洗和验证。API返回的数据不总是完美的，可能会有缺失值、类型不匹配或者格式不统一的情况。在将JSON数据用于业务逻辑之前，花时间对其进行清洗和初步验证非常重要。比如，确保某个字段是数字类型，或者某个日期字符串符合特定格式。这虽然不是

json

模块直接提供的功能，但却是处理API数据的必要环节。

最后，对于超大型JSON文件，如果你遇到内存问题或者只需要部分数据，可以考虑使用流式解析库，比如

ijson

。不过，对于大多数API响应，

json

模块的

loads

或

requests.json()

已经足够高效了，只有在处理GB级别的文件时才需要考虑流式解析。通常，API设计者也会尽量避免一次性返回过大的JSON，而是通过分页（pagination）来限制单次请求的数据量。

除了解析，Python的

json

模块还能做些什么？

json

模块的功能可不只是解析API响应那么简单，它在Python生态中扮演着更广泛的角色，尤其是在数据持久化、配置管理和跨语言通信方面。

最常用的一个反向操作是将Python对象序列化为JSON字符串，这通过

json.dumps()

函数实现。当你需要把Python字典或列表保存到文件，或者通过API发送给其他服务时，这个功能就派上用场了。

import json my_data = {     "product": "Python Book",     "price": 49.99,     "available": True,     "tags": ["programming", "learning"] }  json_output = json.dumps(my_data) print("序列化后的JSON字符串:", json_output)

我个人在调试的时候，特别喜欢用

json.dumps()

的

indent

参数来“美化”JSON输出。这能让原本挤成一行的JSON字符串变得层次分明、易于阅读，对于排查问题简直是神器。

pretty_json_output = json.dumps(my_data, indent=4) # 缩进4个空格 print("n美化后的JSON字符串:n", pretty_json_output)

此外，

json

模块也提供了直接读写JSON文件的功能，分别是

json.load()

和

json.dump()

。

json.load()

从文件对象中读取JSON数据，而

json.dump()

则将Python对象写入文件，并以JSON格式保存。

# 将数据写入文件 with open("config.json", "w", encoding="utf-8") as f:     json.dump(my_data, f, indent=4, ensure_ascii=False) # ensure_ascii=False支持中文  # 从文件读取数据 with open("config.json", "r", encoding="utf-8") as f:     loaded_data = json.load(f) print("n从文件加载的数据:", loaded_data)

有时候，你会遇到Python对象中包含

datetime

对象、

Decimal

对象等

json

模块默认不支持序列化的类型。这时，你可以通过自定义编码器来扩展

json

模块的功能，让它知道如何处理这些特殊类型。这需要你创建一个继承自

json.JSONEncoder

的类，并重写其

default

方法。这虽然稍微复杂一点，但解决了特定场景下的痛点。

总的来说，

json

模块不仅仅是API数据解析的工具，它更是Python处理结构化数据、实现数据交换和持久化的一个基石。掌握它的各种用法，能让你在Python数据处理的道路上走得更远。