6.4. Leitura e Escrita de Arquivos JSON em Python
A biblioteca padrão do Python possui um módulo denominado json que pode ser utilizado para manipulação de documentos JSON. A forma mais simples de trabalhar este formato é através da representação de dicionários do Python, que possui uma mapeamento direto com o tipo object da notação JSON. Para começar nosso exercício com a manipulação de textos no formato JSON, vamos importar a biblioteca JSON e transformar um dicionário em um documento no formato JSON:
1import json
2
3endereco = {
4 'rua': 'Av. dos Astronautas',
5 'numero': 1758,
6 'bairro': 'Jardim da Granja',
7 'cidade': 'São José dos Campos',
8 'UF': 'SP',
9 'CEP': '12227-010'
10}
11
12endereco_json = json.dumps(endereco)
13
14print(endereco_json)
Repare no trecho de programa acima, que o identificador endereco_json fica associado a uma string contendo todo o texto do documento JSON equivalente ao dicionário informado na função json.dumps. Esse processo de transformar um objeto Python em um documento texto é conhecido por serialização.
De maneira similar, podemos ler um texto representando um documento JSON e transformá-lo em um dicionário Python, através da função json.loads:
1import json
2
3doc = '{"rua": "Av. dos Astronautas", "numero": 1758, \
4 "bairro": "Jardim da Granja", \
5 "cidade": "S\\u00e3o Jos\\u00e9 dos Campos", \
6 "UF": "SP", "CEP": "12227-010"}'
7
8endereco = json.loads(doc)
9
10print( endereco['rua'] )
11print( endereco['numero'] )
12print( endereco['cidade'] )
No trecho de código acima podemos observar que após transformar a string contendo o texto do documento JSON (doc) em um dicionário Python através da função json.loads, podemos acessar os valores associados às chaves rua, numero e cidade no dicionário (endereco). Este processo de transformar um documento texto em um objeto Python é chamado de deserialização.
Agora vamos ler um documento JSON.
artigo.json).{
"indexed": {
"date-parts": [ [2020, 4, 17] ],
"date-time": "2020-04-17T06:23:05Z",
"timestamp": 1587104585191
},
"reference-count": 55,
"publisher": "MDPI AG",
"issue": "8",
"license": [
{
"URL": "https://creativecommons.org/licenses/by/4.0/",
"start": {
"date-parts": [ [2020, 4, 16] ],
"date-time": "2020-04-16T00:00:00Z",
"timestamp": 1586995200000
}
}
],
"abstract": "In recent years, Earth observation (EO) satellites...",
"DOI": "10.3390/rs12081253",
"type": "article-journal",
"created": {
"date-parts": [ [2020, 4, 16] ],
"date-time": "2020-04-16T17:01:39Z",
"timestamp": 1587056499000
},
"page": "1253",
"source": "Crossref",
"is-referenced-by-count": 0,
"title": "An Overview of Platforms for Big Earth Observation Data Management and Analysis",
"prefix": "10.3390",
"volume": "12",
"author": [
{
"ORCID": "http://orcid.org/0000-0003-3239-2160",
"authenticated-orcid": false,
"given": "Vitor C. F.",
"family": "Gomes",
"sequence": "first",
"affiliation": []
},
{
"ORCID": "http://orcid.org/0000-0001-7534-0219",
"authenticated-orcid": false,
"given": "Gilberto R.",
"family": "Queiroz",
"sequence": "additional",
"affiliation": []
},
{
"ORCID": "http://orcid.org/0000-0003-2656-5504",
"authenticated-orcid": false,
"given": "Karine R.",
"family": "Ferreira",
"sequence": "additional",
"affiliation": []
}
],
"member": "1968",
"published-online": { "date-parts": [ [2020, 4, 16] ] },
"container-title": "Remote Sensing",
"original-title": [],
"language": "en",
"link": [{
"URL": "https://www.mdpi.com/2072-4292/12/8/1253/pdf",
"content-type": "unspecified",
"content-version": "vor",
"intended-application": "similarity-checking"
}],
"deposited": {
"date-parts": [ [2020, 4, 16] ],
"date-time": "2020-04-16T17:51:19Z",
"timestamp": 1587059479000
},
"score": 1.0,
"subtitle": [],
"short-title": [],
"issued": {
"date-parts": [ [2020, 4, 16] ]
},
"references-count": 55,
"journal-issue": {
"published-online": {
"date-parts": [ [2020, 4] ]
},
"issue": "8"
},
"alternative-id": ["rs12081253"],
"URL": "http://dx.doi.org/10.3390/rs12081253",
"ISSN": ["2072-4292"],
"subject": ["General Earth and Planetary Sciences"],
"container-title-short": "Remote Sensing"
}
Podemos ler o arquivo artigo.json utilizando a função interna do Python chamada open(), como mostrado abaixo:
1import json
2
3with open( 'artigo.json', 'r' ) as arq_json:
4 artigo = json.load( arq_json )
5
6 print( artigo['title'] )
7
8 for autor in artigo['author']:
9 print( 'Nome: {} {}'.format(autor['given'], autor['family']) )
Repare que após a abertura do arquivo na linha 03, realizamos a leitura dos dados deste arquivo na linha 04 através da função json.load(). Após a transformação do arquivo em um dicionário Python, podemos acessar os campos desse dicionário usando o operador [], recuperando assim o título do artigo e sua lista de autores.
Para gravar um arquivo JSON podemos usar a função json.dump como mostrado no trecho de código abaixo:
1import json
2
3endereco = {
4 'rua': 'Av. dos Astronautas',
5 'numero': 1758,
6 'bairro': 'Jardim da Granja',
7 'cidade': 'São José dos Campos',
8 'UF': 'SP',
9 'CEP': '12227-010'
10}
11
12with open('endereco.json', 'w') as arq_json:
13 json.dump(endereco, arq_json)
Após a execução do trecho de código acima, você deverá ter um arquivo chamado endereco.json contendo a serialização do dicionário Python endereco na forma de um arquivo JSON.
Nota
As funções json.dump e json.dumps aceitam um argumento nomeado, indent, que pode ser usado para controlar a indentação do documento JSON. Na linha 14 do trecho de código acima, poderíamos utilizar um nível de indentação com 4 espaços:
json.dump(endereco, arq_json, indent=4)