JSON in Python-Klasse
Füge ein JSON-Objekt oder eine API-Antwort ein und erhalte typisierte Python-Klassen: Standard-Dataclasses mit einem from_dict()-Loader, Pydantic-v2-Modelle mit Aliasen oder TypedDicts. Verschachtelte Objekte werden zu eigenen Klassen, und alles läuft in deinem Browser.
Zuletzt aktualisiert:
Dein JSON wird lokal in diesem Tab geparst und nie hochgeladen. Tipp: Strg + Eingabe generiert.
Anleitung: JSON in Python-Klasse
- Füge dein JSON in das linke Feld ein oder öffne eine .json-Datei. Zum Start ist ein Beispiel geladen.
- Wähle einen Ausgabestil: Dataclass, Pydantic-Modell oder TypedDict.
- Stelle die Optionen ein: Name der Root-Klasse, Stil der Type Hints, snake_case-Namen, from_dict()-Helfer und datetime-Erkennung.
- Klicke auf Python-Klassen generieren. Mit aktivierter Live-Aktualisierung wird der Code beim Tippen erneuert.
- Kopiere oder lade die .py-Datei herunter und lade deine Daten, zum Beispiel mit Root.from_dict(json.loads(text)) oder Root.model_validate_json(text).
Beispiel: ein JSON-Objekt, drei Python-Stile
Aus {"userId": 7, "name": "Ada", "tags": ["admin"], "nick": null} erzeugt der Generator Folgendes (moderne Hints). nick ist Any, weil es im Beispiel immer nur null ist; mit einem Wert in einem anderen Datensatz würde es zu str | None.
| Stil | Generierte Klasse | JSON laden mit |
|---|---|---|
| @dataclass | user_id: intname: strtags: list[str]nick: Any = None | Root.from_dict(json.loads(text)) |
| Pydantic v2 | user_id: int = Field(alias="userId")name: strtags: list[str]nick: Any = None | Root.model_validate_json(text) |
| TypedDict | userId: intname: strtags: list[str]nick: Any | data: Root = json.loads(text) |
So werden JSON-Typen auf Python-Type-Hints abgebildet
| JSON-Wert | Python 3.10+ | Python 3.8 / 3.9 (typing-Modul) |
|---|---|---|
"text" | str | str |
"2024-05-01T09:30:00Z" | datetime | datetime |
42 / 4.2 | int / float | int / float |
true | bool | bool |
"x" oder null | str | None | Optional[str] |
["a", "b"] | list[str] | List[str] |
{ … } mit Schlüsseln | Verschachtelte Klasse | Verschachtelte Klasse |
{} | dict[str, Any] | Dict[str, Any] |
| Gemischte Typen oder immer null | Any | Any |
Tipps
- Füge ein Array mit mehreren Datensätzen ein statt eines einzelnen Objekts: Schlüssel, die in manchen Datensätzen fehlen, werden dann erkannt und automatisch optional gemacht.
- Dataclasses validieren nicht. Sie vertrauen den Daten, die du ihnen gibst. Stammt das JSON von einer externen API, erkennt Pydantic falsche Typen und fehlende Felder schon beim Laden, mit klaren Fehlermeldungen.
- Mit Aliasen zurück serialisieren. Rufe bei Pydantic
model.model_dump(by_alias=True)odermodel_dump_json(by_alias=True)auf, um wieder die ursprünglichen camelCase-Schlüssel zu erhalten. - Typen von Hand verfeinern. Ein Feld, das immer nur null ist, wird als
Anytypisiert; ersetze es durch den echten Typ und grenze Strings aufLiteral["a", "b"]ein, wenn die Werte feststehen.
Häufige Fragen
Dataclass, Pydantic oder TypedDict: Was sollte ich wählen?
Dataclasses gehören zur Standardbibliothek und liefern echte Objekte ohne Abhängigkeiten, validieren aber keine Typen. Pydantic-Modelle parsen und validieren Daten zur Laufzeit, wandeln Typen wie Datumsstrings um und sind die übliche Wahl für API-Clients und FastAPI. TypedDict ergänzt nur Type Hints für normale Dictionaries – ideal, wenn du mit der Ausgabe von json.loads() weiterarbeitest und nur Typprüfung willst.
Wie werden camelCase-Schlüssel behandelt?
Mit aktivierten snake_case-Feldnamen wird firstName zu first_name. Bei Pydantic bekommt jedes umbenannte Feld Field(alias="firstName") und populate_by_name=True, sodass das Modell die ursprünglichen JSON-Schlüssel liest und du trotzdem die Python-Namen verwenden kannst. Bei Dataclasses ordnet der from_dict()-Helfer jeden JSON-Schlüssel seinem Attribut zu. TypedDict-Schlüssel müssen exakt dem JSON entsprechen und werden daher nie umbenannt.
Warum werden manche Felder an das Ende einer Dataclass verschoben?
Python verlangt, dass Dataclass-Felder mit Standardwerten nach Feldern ohne Standardwert stehen. Optionale Felder bekommen den Standardwert None, daher listet der Generator zuerst die Pflichtfelder und danach die optionalen Felder.
Wie werden optionale und nullbare Felder typisiert?
Ein Schlüssel, der in manchen Array-Einträgen fehlt oder null enthält, wird als str | None (oder Optional[str]) mit Standardwert None typisiert. In einem TypedDict wird ein Schlüssel, der fehlen kann, in NotRequired[...] gepackt, was Python 3.11 oder das Paket typing_extensions erfordert.
Welche Python-Version brauche ich?
Moderne Hints wie list[str] und str | None funktionieren zur Laufzeit ab Python 3.10. Wähle für Python 3.8 und 3.9 den Stil des typing-Moduls (List[str], Optional[str]). Die Pydantic-Ausgabe ist für Pydantic v2 gedacht.
Werden Datumsangaben in datetime umgewandelt?
Wenn die Option aktiviert ist, werden String-Felder, deren Werte alle ISO-8601-Datum-Uhrzeiten sind, als datetime typisiert. Pydantic parst sie automatisch; der from_dict()-Helfer der Dataclass nutzt datetime.fromisoformat und wandelt Z in +00:00 um, damit es auch vor Python 3.11 funktioniert.
Wird mein JSON hochgeladen?
Nein. Das JSON wird per JavaScript auf dieser Seite geparst und der Python-Code hier erzeugt, deine Daten verlassen also nie dein Gerät.
Werden alle Tools auf FreeToolCabin auf Qualität und Genauigkeit getestet?
Ja. Jedes Tool auf der Website durchläuft automatische Tests in echten Browsern, die prüfen, ob das Ergebnis stimmt und keine Fehler auftreten. Wenn du einen Fehler findest oder einen Vorschlag hast, schreib uns an [email protected] – wir sehen es uns an.