01
提供有差异的记录
输入单个对象或非空对象数组。嵌套数组同一位置的所有对象共同参与元素模型推断，跨样本比较才能发现缺失字段。
类型生成
JSON 转 Python生成 dataclass 与 Pydantic 模型
比较示例中的两条记录：缺少键与明确的 null 会生成不同的字段默认值。
JSON 转 Python
JSON 输入
解析与生成均在当前浏览器内完成，输入不会上传或存储。
生成的源码
数组样本定义元素模型 Root。Pydantic 的 load_models 接受对象或数组。
2 个类 · 2 个可空字段
JSON 转 Python 把有代表性的接口响应整理成模型草稿。请提供键名有所差异的多条记录；只提供一个完整对象，无法推断哪些字段可能缺失。
Python 类型注解描述观测到的结构。选择标准库数据类保存数据，或用 Pydantic 模型解析和校验；样本不会自动形成完整的业务约束。
为什么用 JSON 转 Python？
明确区分缺失与空值
JSON 转 Python 会让始终存在、但可为空的字段保持必填；若其他样本缺少这个键，则添加 None 默认值。两者对构造函数和校验的要求不同。
重命名后仍能找到原始键
保留字、标点与模型方法名需要安全的 Python 属性名。生成器用 dataclass 元数据或 Pydantic 别名记录原始拼写，冲突时按确定规则添加后缀。
先确定如何读取模型
02
检查选项的实际含义
默认仅为观测到缺失的键添加 None；全可选模式允许每个字段省略。日期默认保留 str。Decimal 影响小数、指数数字及包含它们的合并数字组。
03
导出前等待新结果
编辑后等待 350 毫秒自动生成。关闭自动模式后使用生成按钮或 Ctrl/Cmd+Enter。任何修改都会立即禁用导出；清空和示例操作保留一次输入、选项与源码的撤销快照。
源码包含哪些行为
两种模型在一个文件中生成
JSON 转 Python dataclass 输出只依赖标准库，把必填字段排在有默认值的字段前。Pydantic 固定兼容 2.12.5。子类先于引用它的父类声明，整个文件可在 Python 3.9 导入。
明确整数与小数策略
纯整数组使用任意精度 int；出现小数或指数形式时，默认整组使用 float，混入的大整数也可能发生二进制舍入。Decimal 模式为这类组使用 Decimal；配套加载函数无需经过 float 中间值，也会精确解析 Any 容器中的小数。
谨慎推断日期
ISO 模式仅识别有效日历日期，以及带时区且小数秒不超过六位的完整时间戳。同一位置的所有非空字符串必须属于同一种日期类型。无时区、无效或更高精度时间仍为 str；只有 Pydantic 会转换字符串。
保留不规则键的对应关系
字段转为 ASCII snake_case。关键字、前导下划线、model_* 名称与 BaseModel 方法名会重命名。空键、Unicode 和控制字符保留别名；导入模块使用私有别名，避免与 Decimal 等类名冲突。
生成代码的边界
- 数据类不会自动读取嵌套对象
- 类型注解与 json_key 元数据不校验输入、不映射键名、不构造嵌套实例，也不解析日期。必须自行创建 dataclass；直接传入嵌套 dict，内部仍然是 dict。asdict 使用属性名，不读取别名元数据。
- 用配套函数读取 Pydantic 模型
- 安装 pydantic==2.12.5 后调用 load_models(source)。它先用所选 float/Decimal 策略执行 json.loads，再调用 model_validate，返回实例或实例列表。直接调用 model_validate_json 不具备此辅助函数的 Decimal 保真保证；Decimal 序列化通常得到 JSON 字符串。
- 可空不等于可省略
- Pydantic 只接受原始 JSON 别名，并以 extra="forbid" 拒绝未知属性。Optional[T] 允许 null，默认值才允许省略。缺失值默认是 None，仅看值无法区分缺失和 null，可检查 model_fields_set。普通类型转换也不等于严格业务校验。
- 样本不足时保持宽泛
- 类型冲突或仅见 null 的字段用 Any，空数组用 List[Any]，空嵌套对象用 Dict[str, Any]。不生成枚举、UUID、EmailStr、TypedDict、JSON Schema、OpenAPI 或 ORM；根标量、空根数组和混合根数组会被拒绝。
- 映射和数值范围会报错
- 关闭别名后，需要重命名的键一律报错。两种框架均拒绝未配对的 Unicode 代理字符键。float 拒绝溢出与非零小数下溢为零，但不保证十进制精度；精确金额或科学小数应选 Decimal。
- 严格语法与明确预算
- 不支持注释、尾逗号、重复键、自动修复、文件导入、URL 获取或执行 Python。限制为输入 500,000 字符、50,000 节点、深度 40、每个合并对象 100 字段、200 类、每个键或数字 1,000 字符、指数绝对值 10,000，以及输出 1,000,000 字符。
JSON 转 Python 常见问题
不用第三方库，能把 JSON 解析成 dataclass 吗？
可以自行编写转换代码而不安装第三方库，但生成的数据类不带解码器。json.loads 得到字典与列表，您还需要映射别名并逐层构造实例。
嵌套对象为什么仍是 dict？
JSON 转 Python 生成的 dataclass 只声明字段。构造函数不会根据注解把 dict 变为子类；可自行转换，或选择 Pydantic 并调用 load_models 完成嵌套构造。
原始 JSON 键名和 Python 属性名不同怎么办？
启用别名后，Pydantic 的 Field(alias=...) 接受原键名；dataclass 把它存为 json_key 元数据，供您的适配器读取。冲突键通过后缀分开，不会落到其他字段的 Python 属性名。
JSON 新增字段后，已有类会自动更新吗？
不会。导出的类是静态源码，只有重新生成或手动修改才会更新。新增键传给当前 Pydantic 模型会触发未知字段错误；请用有代表性的新样本重新生成并评审变更。
dataclass 实例怎样再转回 JSON？
可以先用 dataclasses.asdict 递归得到字典，再由 json.dumps 序列化，但键会是 Python 属性名。原始别名需要自己还原，date 与 Decimal 等值还需要专门的编码策略。
发现需要改进的推断情况？