Сохранение и загрузка JSON файлов средствами Python

Расширенные примеры

Пример 1: Кастомный кодировщик для нескольких типов

import json
from datetime import datetime
from decimal import Decimal

class AdvancedEncoder(json.JSONEncoder):
    def default(self, obj):
        if isinstance(obj, datetime):
            return {"__datetime__": obj.isoformat()}
        if isinstance(obj, Decimal):
            return float(obj)
        if isinstance(obj, bytes):
            return obj.decode("latin-1")
        return super().default(obj)

# Десериализация с object_hook для восстановления даты
def object_hook(dct):
    if "__datetime__" in dct:
        return datetime.fromisoformat(dct["__datetime__"])
    return dct

data = {
    "created": datetime.now(),
    "price": Decimal("19.99"),
    "raw": b"\x48\x65\x6c\x6c\x6f"
}

json_str = json.dumps(data, cls=AdvancedEncoder, indent=2)
print("Строка JSON:")
print(json_str)

# Обратное преобразование
restored = json.loads(json_str, object_hook=object_hook)
print("\nВосстановленный объект:")
print(restored)
# {'created': datetime.datetime(...), 'price': 19.99, 'raw': 'Hello'}

Результат (дата изменится):
{
  "created": {"__datetime__": "2025-02-18T14:22:00.123456"},
  "price": 19.99,
  "raw": "Hello"
}

Пояснение: object_hook вызывается для каждого вложенного словаря, что позволяет восстановить оригинальные типы.

Пример 2: Обработка большого NDJSON файла без полной загрузки в память

import json

def read_ndjson(filepath):
    """Генератор, читающий NDJSON построчно."""
    with open(filepath, "r", encoding="utf-8") as f:
        for line in f:
            line = line.strip()
            if line:
                yield json.loads(line)

# Запись 1 миллиона объектов (для примера только 3)
with open("big_data.ndjson", "w", encoding="utf-8") as f:
    for i in range(3):
        obj = {"id": i, "value": f"obj_{i}"}
        f.write(json.dumps(obj) + "\n")

# Чтение и фильтрация
for record in read_ndjson("big_data.ndjson"):
    if record["id"] % 2 == 0:
        print(f"Чётный id: {record}")

Результат:
Чётный id: {'id': 0, 'value': 'obj_0'}
Чётный id: {'id': 2, 'value': 'obj_2'}

Генераторный подход позволяет обрабатывать файлы любого размера, не загружая их целиком.

Пример 3: Использование JSON для хранения параметров приложения

import json
from pathlib import Path

DEFAULT_CONFIG = {
    "theme": "light",
    "timeout": 10,
    "show_notifications": True
}

def load_config(config_path="app_config.json"):
    path = Path(config_path)
    if path.exists():
        with open(path, "r", encoding="utf-8") as f:
            try:
                config = json.load(f)
            except json.JSONDecodeError:
                print("Файл конфигурации повреждён, используется стандартный.")
                return DEFAULT_CONFIG.copy()
        # слияние с умолчаниями (добавляем отсутствующие ключи)
        for key, value in DEFAULT_CONFIG.items():
            config.setdefault(key, value)
        return config
    else:
        return DEFAULT_CONFIG.copy()

def save_config(config, config_path="app_config.json"):
    with open(config_path, "w", encoding="utf-8") as f:
        json.dump(config, f, indent=2, ensure_ascii=False)

# Пример работы
cfg = load_config()
cfg["theme"] = "dark"
save_config(cfg)
print("Конфигурация сохранена.")

Этот шаблон гарантирует, что приложение всегда имеет валидную конфигурацию, даже если файл был создан старой версией программы.

Пример 4: Сравнение скорости записи с разными параметрами

import json
import time

big_list = [{"index": i, "data": "x" * 100} for i in range(10000)]

def benchmark(func, *args, **kwargs):
    start = time.perf_counter()
    func(*args, **kwargs)
    return time.perf_counter() - start

# Вариант 1: без отступов
t1 = benchmark(lambda: json.dump(big_list, open("no_indent.json", "w")))
# Вариант 2: с отступами
t2 = benchmark(lambda: json.dump(big_list, open("with_indent.json", "w"), indent=2))

print(f"Без indent: {t1:.3f} сек")
print(f"С indent=2: {t2:.3f} сек")
# indented версия будет значительно дольше из-за большего объёма данных

Примерный вывод:
Без indent: 0.045 сек
С indent=2: 0.180 сек

Вывод: для больших файлов не стоит использовать indent, если не требуется читаемость. В продакшене часто используют компактный формат.

Пример 5: Обработка вложенных структур с object_pairs_hook

import json
from collections import OrderedDict

json_str = '{"b": 1, "a": 2, "c": {"d": 3, "e": 4}}'

# Получение упорядоченного словаря (сохраняет порядок ключей)
result = json.loads(json_str, object_pairs_hook=OrderedDict)
print(type(result))  # <class 'collections.OrderedDict'>
print(list(result.keys()))  # ['b', 'a', 'c'] - порядок как в строке

Результат:
<class 'collections.OrderedDict'>
['b', 'a', 'c']

object_pairs_hook позволяет перехватывать пары ключ-значение до построения словаря. Полезно для контроля порядка или валидации дублирующихся ключей.