Typgenerierung
Ein fehlender Schlüssel und ein vorhandenes null führen zu unterschiedlichen Feldvorgaben.
Analyse und Generierung erfolgen in diesem Browser. Eingaben werden weder hochgeladen noch gespeichert.
Arraybeispiele definieren das Elementmodell Root. Pydantic load_models akzeptiert ein Objekt oder ein Array.
2 Klassen · 2 nullfähige Felder
JSON zu Python erstellt einen Modellentwurf aus konkreten API-Antworten. Nehmen Sie auch Datensätze auf, in denen optionale Eigenschaften fehlen. Ein einzelnes vollständig ausgefülltes Objekt zeigt diese Unterschiede nicht.
Python Dataclasses eignen sich als typisierte Datenbehälter ohne zusätzliche Abhängigkeit. Pydantic Modelle bieten dagegen Prüfung und Verarbeitung beim Einlesen. Die Beispiele beschreiben beobachtete Daten; verbindliche Geschäftsregeln müssen Sie ergänzen.
JSON zu Python lässt ein stets vorhandenes, aber nullfähiges Feld verpflichtend. Fehlt sein Schlüssel in einem weiteren Datensatz, erhält es hingegen den Standardwert None. Damit bleiben erlaubte Werte und erforderliche Konstruktorargumente getrennte Entscheidungen.
Aus reservierten Wörtern oder Schlüsseln mit Satzzeichen entstehen gültige Python-Attribute. Die ursprüngliche Schreibweise bleibt in dataclass-Metadaten oder einem Pydantic-Alias erhalten. Kollidierende Namen werden durch feste Suffixe unterschieden.
Verwenden Sie ein Objekt oder ein nicht leeres Array ausschließlich aus Objekten. An jeder Arrayposition fließen alle Elemente in die Typableitung ein. Zusätzliche und fehlende Schlüssel späterer Elemente gehen dadurch nicht verloren.
Standardmäßig werden nur beobachtete fehlende Schlüssel optional. Die andere Einstellung erlaubt das Weglassen sämtlicher Felder. Datumsangaben bleiben zunächst str. Für genaue Dezimalzahlen wählen Sie Decimal, bevor Sie die erzeugte Datei in Ihr Projekt übernehmen.
Nach Änderungen wartet die Generierung 350 ms. Ohne Automatik stehen die Schaltfläche und Ctrl/Cmd+Enter bereit. Veraltete Ergebnisse lassen sich nicht exportieren. Leeren und Beispiel laden speichern einen Rückgängig-Schritt mit Eingabe, Optionen und Ausgabe.
Dataclasses verwenden die Standardbibliothek; Felder ohne Vorgabe stehen vor Feldern mit Standardwert. Pydantic wird gezielt in Version 2.12.5 unterstützt. Untergeordnete Klassen stehen vor ihren Eltern. Der erzeugte Quelltext ist für Python ab 3.9 ausgelegt.
Reine Ganzzahlgruppen erhalten int mit beliebiger Genauigkeit. Sobald Dezimal- oder Exponentenschreibweise vorkommt, verwendet die Gruppe standardmäßig float. Auch darin zusammengeführte große Ganzzahlen können runden. Der Decimal-Lader liest Dezimaltokens ohne float-Zwischenschritt, selbst innerhalb von Any-Strukturen.
Die ISO-Option erkennt gültige Kalenderdaten sowie vollständige Zeitstempel mit Zeitzone und höchstens sechs Nachkommastellen der Sekunden. Alle Zeichenfolgen derselben Position müssen dieselbe Datumsart zeigen; null wird ausgenommen. Ungültige Daten und Zeitstempel ohne Zeitzone bleiben str. Nur Pydantic übernimmt die Laufzeitumwandlung.
Attribute werden zu ASCII-snake_case. Reservierte Wörter, führende Unterstriche, model_*-Namen und BaseModel-Methoden werden umbenannt. Leere Schlüssel, Unicode und Steuerzeichen bleiben über Aliase erhalten. Interne Import-Aliase schützen auch Klassen namens Decimal oder BaseModel vor Namenskollisionen.
Dataclasses passen, wenn Ihre Anwendung Einlesen und Konvertieren bereits selbst erledigt. JSON zu Python bietet Pydantic für die Konstruktion verschachtelter Objekte und die Prüfung beim Laden. Prüfen Sie dabei auch dessen Regeln zu Typumwandlung und unbekannten Feldern.
Die Ausgabe setzt Python 3.9 oder neuer voraus. Optional kommt aus typing; Dataclass-Felder mit Standardwert stehen hinter verpflichtenden Feldern. Für Pydantic gilt das feste Testziel 2.12.5. Das bedeutet nicht, dass diese Version die neueste Veröffentlichung ist.
Nicht leere untergeordnete Objekte erhalten eigene Klassen in derselben Datei. Kinder stehen vor Eltern. Objektarrays vereinigen die Schlüssel aller Elemente. Bei einem Wurzelarray beschreibt die Hauptklasse ein Element; der Pydantic-Lader liefert entsprechend eine Liste.
Ja, mit eigenem Einlesecode. Die erzeugten Dataclasses enthalten keinen Decoder. json.loads liefert dict und list. Sie müssen die ursprünglichen Schlüssel selbst zuordnen und untergeordnete Dataclasses ausdrücklich konstruieren; Metadaten erledigen das nicht.
Aktivieren Sie Aliase. Pydantic liest den JSON-Schlüssel mit Field(alias=...), während Dataclasses ihn als json_key-Metadaten für Ihren Adapter speichern. Suffixe unterscheiden kollidierende Namen wie a-b und a_b. Es gibt keinen Rückfall auf den Python-Namen eines anderen Felds.
Fehlt ein wichtiger Fall bei der Typableitung?
Nutzen Sie JSON zu Python mit fehlenden Schlüsseln, null und typischen Zahlen. Prüfen Sie anschließend die exportierte Datei mit dem tatsächlichen Einlesecode Ihrer Anwendung.