Python 解析“脏乱差”JSON？这几种实战技巧让你轻松应对不规则数据

原创

用户5778262

发布于 2026-01-26 17:22:03

1280

在真实世界的数据处理中，我们很少遇到教科书式的标准 JSON。更多时候，面对的是：

单引号代替双引号
末尾多出逗号
键名未加引号（如 {name: "Alice"}）
混合了注释（// 这是注释）
嵌套结构缺失或类型错乱（字符串里藏了 JSON 片段）
甚至根本不是合法 JSON，而是 JavaScript 对象字面量（JS Object Literal）

这类“不规则 JSON”无法被 Python 内置的 json.loads() 直接解析，强行使用会抛出 JSONDecodeError。但别急——本文将为你提供一套从温和修复到强力解析的完整工具箱，用 Python 轻松驯服这些“野性”数据。

一、场景1：轻微格式错误（单引号、尾逗号等）

典型数据：

{
  'name': 'Alice',
  'age': 30,
  'tags': ['a', 'b',],
}

✅ 解法：使用 `ast.literal_eval`（仅限 Python 字面量）

如果数据本质是 Python 字典/列表字面量（而非严格 JSON），可尝试：

import ast

dirty_str = "{'name': 'Alice', 'age': 30, 'tags': ['a', 'b',]}"
try:
    data = ast.literal_eval(dirty_str)
    print(data)  # {'name': 'Alice', 'age': 30, 'tags': ['a', 'b']}
except (ValueError, SyntaxError) as e:
    print("无法解析为 Python 字面量")

⚠️ 注意：ast.literal_eval 只支持 str, bytes, int, float, list, dict, tuple, bool, None，不支持 NaN、Infinity 等。

二、场景2：含注释、尾逗号、键无引号（类 JS 对象）

典型数据：

{
  // 用户信息
  name: "Bob",
  age: 25,
  hobbies: [
    "coding",
    "gaming",  // 末尾逗号
  ],
}

✅ 解法：使用 `json5` 库（推荐！）

JSON5 是 JSON 的扩展，支持注释、单引号、尾逗号、无引号键等，完美兼容 JavaScript 风格对象。

安装：

pip install json5

使用：

import json5

with open('config.js', 'r', encoding='utf-8') as f:
    data = json5.load(f)  # 或 json5.loads(string)

print(data['name'])  # Bob

✅ 优点：安全、标准、广泛用于前端配置文件（如 .babelrc, tsconfig.json 变体）。

三、场景3：字符串中嵌套未转义的 JSON 片段

典型数据：

{
  "log": "User {\"id\": 123, \"action\": \"login\"} performed"
}

你可能想提取内部的 {"id": 123, ...}，但它被包裹在字符串中。

✅ 解法：正则 + 递归解析

import json
import re

def extract_and_parse_nested_json(text):
    # 匹配最外层的 {...}，但需确保是完整 JSON 对象
    pattern = r'\{(?:[^{}]|(?R))*\}'  # 递归正则（Python 不支持 (?R)，改用循环）
    
    # 更稳健的做法：逐字符扫描括号匹配
    def find_outer_braces(s):
        stack = 0
        start = -1
        for i, c in enumerate(s):
            if c == '{':
                if stack == 0:
                    start = i
                stack += 1
            elif c == '}':
                stack -= 1
                if stack == 0 and start != -1:
                    return s[start:i+1]
        return None

    nested = find_outer_braces(text)
    if nested:
        try:
            return json.loads(nested)
        except json.JSONDecodeError:
            return None
    return None

log_str = 'User {"id": 123, "action": "login"} performed'
inner = extract_and_parse_nested_json(log_str)
print(inner)  # {'id': 123, 'action': 'login'}

四、场景4：完全非结构化，但有规律可循

比如日志文件中的混合内容：

INFO: {user: "Tom", status: ok}
ERROR: Failed to parse {data: [1,2,,3]}

✅ 解法：先用正则提取疑似 JSON 片段，再用容错解析器

结合 json5 + 异常捕获：

import json5
import re

log_line = 'ERROR: Failed to parse {data: [1,2,,3]}'

# 提取花括号包围的内容
match = re.search(r'\{.*\}', log_line)
if match:
    candidate = match.group()
    try:
        data = json5.loads(candidate)
        print("Parsed:", data)
    except Exception as e:
        print("Still invalid:", e)

💡 提示：对于 [, ,] 这类空元素，json5 也支持（视为 null）。

五、终极武器：自定义解析器 or LLM 辅助（慎用）

若数据极度混乱（如混合 HTML、自定义 DSL），可考虑：

使用 lark、ply 构建自定义语法解析器；
用大模型（如本地 LLM）将“脏数据”重写为合法 JSON（适合低频、高价值场景）。

但绝大多数情况，json5 + 正则清洗 + 异常处理 已足够覆盖。

最佳实践建议

优先用 json5：它能解决 90% 的“类 JSON”问题；
不要用 eval()：极其危险，可能执行任意代码；
记录解析失败样本：用于后续规则优化；
在数据入口做标准化：若可控，推动上游输出合法 JSON。

结语

不规则 JSON 不是“错误”，而是现实世界的常态。Python 生态提供了从轻量级（ast）到工业级（json5）的多种工具，关键在于识别数据“脏”在哪一层，然后选择匹配的清洗策略。

记住：解析不是目的，可靠地获取结构化信息才是。用对工具，那些看似混乱的字符串，终将成为你数据管道中的清晰字段。

原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。

如有侵权，请联系 cloudcommunity@tencent.com 删除。

python

原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。

如有侵权，请联系 cloudcommunity@tencent.com 删除。

python

作者已关闭评论

0 条评论

热度