JSON in Python Dataclass
Genera dataclass Python con type hint da JSON. Gratis, nel tuo browser.
A cosa serve
Da JSON a dataclass Python con type hint
Compatibile con Python 3.7 e successivi
Il codice generato usa il modulo dataclasses della libreria standard. Nessuna dipendenza esterna, funziona in qualsiasi ambiente Python moderno.
100% privato
Il tuo JSON viene elaborato nel browser. Non viene mai inviato a nessun server. Sicuro per dati API interni o modelli di dati riservati.
Type hint corretti
Inferenza precisa dei tipi: str, int, float, bool, List, Optional e dataclass annidate generate con nomi e tipi appropriati.
Istantaneo
Generazione in tempo reale mentre incolli o scrivi JSON. Nessuna attesa, nessuna chiamata a server.
Come funziona
Tre passaggi, senza complicazioni
Incolla il tuo JSON
Inserisci il JSON che vuoi convertire. Puo essere una risposta di API, un file di configurazione o qualsiasi struttura JSON valida.
Ottieni la tua dataclass Python
Lo strumento genera una classe Python decorata con @dataclass, con type hint inferiti come str, int, float, bool, list e dataclass annidata per ogni campo.
Copia e importa nel tuo progetto
Copia il codice generato nel tuo modulo Python. Hai bisogno solo di importare dataclass dal modulo dataclasses della libreria standard.
FAQ
Hai delle domande?
Le dataclass sono classi Python definite principalmente per memorizzare dati, introdotte in Python 3.7 tramite il PEP 557. Il decoratore @dataclass genera automaticamente metodi come __init__, __repr__ e __eq__ in base ai campi dichiarati con type hint. Sono l'alternativa moderna alle classi definite manualmente con metodi __init__ ripetitivi, offrendo codice piu pulito e leggibile senza le dipendenze esterne di Pydantic.
Un dict Python non ha tipi definiti, accetta qualsiasi chiave e valore e non fornisce autocompletamento negli IDE. Una dataclass definisce esplicitamente la struttura con type hint, permette l'accesso ai campi con la notazione punto, genera automaticamente metodi di confronto e rappresentazione, e consente a IDE e strumenti di analisi statica come mypy e Pyright di rilevare errori di tipo prima di eseguire il codice.
Lo strumento analizza i valori JSON per inferire il tipo Python piu appropriato: le stringhe di testo diventano str, gli interi int, i decimali float, i booleani bool, gli array List[T] dove T e il tipo inferito degli elementi, e gli oggetti annidati diventano nuove dataclass. I valori null diventano Optional[T] con un valore di default None.
Si. Quando il JSON contiene oggetti all'interno di oggetti, lo strumento genera una dataclass separata per ogni livello di annidamento. Le classi sono ordinate correttamente nel codice in modo che ogni dataclass sia definita prima di essere referenziata. Ad esempio, un campo user con name e age genera sia una dataclass User che la dataclass genitore che la contiene.
I campi con valori null nel JSON di esempio vengono generati come Optional[T] = None nella dataclass. Questo segnala che il campo puo essere assente o None a runtime. Per usare Optional devi importarlo da typing in Python 3.9 e precedenti, oppure usare la sintassi T | None in Python 3.10 e successivi. Lo strumento genera codice compatibile con Python 3.7 e versioni successive.
Evoluzione dei type hint Python: dal PEP 484 alle dataclass, confronto con Pydantic
I type hint in Python sono stati introdotti dal PEP 484 in Python 3.5 nel 2015. Prima di allora, Python era tipizzato dinamicamente e gli strumenti di analisi statica non potevano verificare i tipi. Il PEP 526 di Python 3.6 ha aggiunto le annotazioni di variabile, e il PEP 557 di Python 3.7 ha introdotto le dataclass, che usano i type hint come dichiarazioni di campo. Questa evoluzione ha trasformato Python in un linguaggio capace di sfruttare sia il comportamento dinamico che la verifica statica dei tipi.
Il modulo dataclasses della libreria standard genera automaticamente __init__, __repr__ e __eq__. Per esigenze piu avanzate come la validazione dei dati, la serializzazione automatica e la compatibilita con gli schemi JSON, Pydantic nelle versioni 1 e 2 e l'alternativa piu popolare. FastAPI usa Pydantic per validare automaticamente i body delle richieste HTTP. Tuttavia, per la maggior parte dei casi di modellazione interna, le dataclass standard sono sufficienti e non richiedono dipendenze esterne.
La transizione da Python 2 a Python 3 e l'adozione dei type hint hanno trasformato l'ecosistema. Strumenti come mypy di Dropbox, Pyright di Microsoft e Pylance per VS Code eseguono analisi statica dei tipi. Nei progetti di grandi dimensioni, i type hint riducono significativamente i bug legati ai tipi in produzione. Generare dataclass da JSON di API esterne o schemi di database e una pratica comune per mantenere codice Python leggibile e verificabile.