在日常的开发和数据工作中，我们经常需要在不同的数据格式之间进行转换。JSON（JavaScript Object Notation）作为一种轻量级的数据交换格式，非常适合 Web API 和应用程序之间的数据传输。然而，当我们需要进行深入的数据分析、制作报表或者与非技术团队分享数据时，Excel（.xlsx）往往是我们更倾向于使用的格式。
你是否曾收到过一个巨大的 JSON 文件，却不知如何快速查看其中的数据？或者你需要定期将数据库导出的 JSON 报表自动转换为 Excel 格式发送给管理层？
在本文中，我们将深入探讨如何使用 Python 强大的数据处理能力，将 JSON 数据无缝转换为 Excel 电子表格。我们将不仅仅满足于基本的转换，还会一起探索如何处理复杂的嵌套数据、如何美化 Excel 表格以及如何自动化这一过程。无论你是数据分析师还是后端开发人员，这篇文章都将为你提供实用的解决方案。
目录
准备工作：安装必要的 Python 库
在开始编码之前，我们需要确保 Python 环境中已经安装了处理数据的核心库。Python 拥有极其丰富的生态系统，但对于“JSON 转 Excel”这一任务，我们主要依赖以下两个库：
- Pandas：这是 Python 数据科学领域的“瑞士军刀”。它提供了高效的数据结构和数据分析工具。我们将使用它来读取和处理 JSON 数据，并将其整理为 DataFrame（类似于 Excel 中的表格结构）。
- Openpyxl：这是一个专门用于读写 .xlsx 文件的库。Pandas 在底层依赖它来与 Excel 文件进行交互。
打开你的终端或命令行工具，运行以下命令来安装这些库：
pip install pandas openpyxl
安装完成后，我们就可以开始动手实践了。
场景一：基础转换 —— 将简单的 JSON 转换为 Excel
首先，让我们从最简单的场景开始。假设我们有一个包含少量信息的 JSON 对象，我们想把它放入 Excel 表格中。
第一步：准备 JSON 数据
在你的项目文件夹中创建一个名为 data.json 的文件，并粘贴以下内容：
{
"name": "TechCompany",
"domain": "example.com",
"city": "Shanghai",
"is_active": true
}
第二步：读取并加载数据
在 Python 中，我们使用内置的 json 模块来读取文件，并将其转换为 Python 的字典对象。然后，我们利用 Pandas 将这个字典转换为 DataFrame。
创建一个名为 convert.py 的文件，并编写以下代码：
import json
import pandas as pd
# 1. 打开并读取 JSON 文件
# 使用 ‘with‘ 语句可以确保文件在操作完成后自动关闭
try:
with open(‘data.json‘, ‘r‘, encoding=‘utf-8‘) as file:
# json.load() 将文件内容直接解析为 Python 字典
data = json.load(file)
print("成功读取 JSON 数据：", data)
except FileNotFoundError:
print("错误：找不到 data.json 文件，请检查路径。")
exit()
# 2. 将数据转换为 Pandas DataFrame
# 因为我们的原始数据是单个对象（字典），所以我们需要将其放入列表中
# 这样 DataFrame 才能将其识别为一行数据
df = pd.DataFrame([data])
print("
DataFrame 内容预览：")
print(df)
# 3. 将 DataFrame 导出为 Excel 文件
# index=False 参数非常重要，它告诉 Pandas 不要将 DataFrame 的行索引（0, 1, 2...）写入 Excel
# 这样我们的 Excel 表格会更加干净整洁
output_filename = ‘simple_output.xlsx‘
df.to_excel(output_filename, index=False)
print(f"
成功！文件已保存为 {output_filename}")
运行上述代码后，你会在文件夹中发现一个 simple_output.xlsx。打开它，你会看到数据已经整齐地排列在表格中了。
场景二：处理多条数据 —— JSON 数组转换为 Excel
在实际工作中，我们更常遇到的是包含多条记录的 JSON 数组。比如，一份用户列表或是一系列的订单记录。让我们看看如何处理这种情况。
准备数据
修改你的 data.json 文件，或者创建一个新的 users.json 文件，内容如下：
[
{"id": 101, "name": "Alice", "role": "Admin", "city": "Beijing"},
{"id": 102, "name": "Bob", "role": "User", "city": "Shanghai"},
{"id": 103, "name": "Charlie", "role": "User", "city": "Shenzhen"}
]
代码实现
这次的处理逻辑与之前略有不同，因为 json.load() 直接返回的是一个列表，Pandas 可以直接将其转换为 DataFrame，每一项列表元素对应表格的一行。
import json
import pandas as pd
# 读取 JSON 数组数据
file_path = ‘users.json‘
with open(file_path, ‘r‘, encoding=‘utf-8‘) as f:
data_list = json.load(f)
# 这里不再需要 [data]，因为 data 本身已经是一个列表
df = pd.DataFrame(data_list)
# 我们可以在导出前对数据进行简单的操作
# 例如：只导出特定列，或者按城市排序
# df = df[[‘name‘, ‘city‘]] # 仅选择特定列
# 导出到 Excel
output_filename = ‘users_list.xlsx‘
df.to_excel(output_filename, index=False)
print(f"已将 {len(df)} 条用户数据导出到 {output_filename}")
这个脚本会生成一个包含三行数据的 Excel 表格，表头自动生成为 INLINECODE6c5371ae, INLINECODEc6f39aac, INLINECODE16d6f9ae, 和 INLINECODEa0a2c41c。
场景三：进阶挑战 —— 处理复杂的嵌套 JSON
你可能会问：“如果我的 JSON 结构非常复杂，包含嵌套的对象，该怎么办？”这是数据处理中最常见的问题之一。
假设我们有一个更复杂的 JSON 文件 nested_data.json：
[
{
"employee_id": 1,
"name": "David",
"department": "Engineering",
"skills": ["Python", "Java", "Go"]
},
{
"employee_id": 2,
"name": "Eva",
"department": "HR",
"skills": ["Communication", "Recruitment"]
}
]
如果我们直接使用 INLINECODE60aed727，INLINECODE4ef439f0 字段（列表）会以难以阅读的形式出现在 Excel 中。为了解决这个问题，我们需要对数据进行“扁平化”处理。
解决方案：使用 json_normalize
Pandas 提供了一个非常强大的函数 pd.json_normalize()，专门用于处理这种半结构化数据。
import json
import pandas as pd
with open(‘nested_data.json‘, ‘r‘, encoding=‘utf-8‘) as f:
data = json.load(f)
# 使用 json_normalize 来展开数据
df = pd.json_normalize(
data,
# 我们可以指定如何分隔嵌套字段，这里使用点号或者下划线
sep=‘_‘ # 这将把 skills 列中的列表内容转化为字符串，或者根据配置展开
)
# 注意：json_normalize 默认会将列表转化为字符串形式，例如 "[‘Python‘, ‘Java‘]"
# 如果你希望每个技能单独成一列，或者需要更复杂的处理，通常需要编写自定义的扁平化逻辑。
# 在这个例子中，让我们简单地将列表转换为用分号分隔的字符串，方便 Excel 阅读
def clean_skills(row):
if isinstance(row[‘skills‘], list):
return "; ".join(row[‘skills‘])
return row[‘skills‘]
df[‘skills‘] = df.apply(clean_skills, axis=1)
df.to_excel(‘employees.xlsx‘, index=False)
print("处理嵌套数据完成。")
实战技巧：如何优化你的 Excel 输出
仅仅把数据导出出来往往是不够的。为了让报告更加专业，我们通常需要对 Excel 文件进行格式化。虽然 Pandas 的 INLINECODE34f603bc 主要关注数据导出，但我们可以结合 INLINECODEbd1cabb6 和 openpyxl 的引擎来做更多事情。
示例：添加表头格式和自动调整列宽
下面的代码展示了如何在导出数据的同时，给表头添加颜色背景，并自动调整列宽以适应内容。
import pandas as pd
import json
from openpyxl.styles import Font, PatternFill
# 1. 准备数据
data = [
{"Product": "Laptop", "Price": 1200, "Stock": 50},
{"Product": "Mouse", "Price": 25, "Stock": 200},
{"Product": "Keyboard", "Price": 80, "Stock": 150}
]
df = pd.DataFrame(data)
# 2. 使用 ExcelWriter 进行更精细的控制
filename = ‘formatted_report.xlsx‘
with pd.ExcelWriter(filename, engine=‘openpyxl‘) as writer:
# 将数据写入工作簿
df.to_excel(writer, sheet_name=‘Report‘, index=False)
# 获取 workbook 和 worksheet 对象
workbook = writer.book
worksheet = writer.sheets[‘Report‘]
# 3. 定义格式样式
header_font = Font(bold=True, color="FFFFFF")
header_fill = PatternFill(start_color="4F81BD", end_color="4F81BD", fill_type="solid")
# 4. 遍历第一行（表头）应用样式
for cell in worksheet[1]:
cell.font = header_font
cell.fill = header_fill
# 5. 自动调整列宽（这是一个非常实用的功能）
for column in worksheet.columns:
max_length = 0
column_letter = column[0].column_letter
for cell in column:
try:
if len(str(cell.value)) > max_length:
max_length = len(str(cell.value))
except:
pass
adjusted_width = (max_length + 2) * 1.2
worksheet.column_dimensions[column_letter].width = adjusted_width
print(f"已生成格式化的报表：{filename}")
常见问题与最佳实践
在将 JSON 转换为 Excel 的过程中，你可能会遇到一些“坑”。作为经验丰富的开发者，让我们来看看如何避免它们。
1. 编码问题
你可能会发现导出的 Excel 文件中中文显示为乱码。这通常是因为在打开文件时编码不匹配，或者写入时未指定 UTF-8。虽然 INLINECODEbb2a0254 在较新版本的 Pandas 中默认处理得很好，但在读取 JSON 文件时，建议始终显式指定 INLINECODE6c4a44ea。
2. 日期格式的处理
JSON 中的日期通常是字符串（例如 "2023-10-01"）。Pandas 在读取时通常会将其识别为字符串。如果你希望在 Excel 中将其作为日期类型处理，可以在 INLINECODE313a3ed8 之前使用 INLINECODEdddd262c 转换列的数据类型：
df[‘transaction_date‘] = pd.to_datetime(df[‘transaction_date‘])
df.to_excel(‘output.xlsx‘, index=False)
3. 处理超大文件
如果你的 JSON 文件有几百兆甚至更大，直接 INLINECODE1921edb9 到内存可能会导致电脑卡死。对于这种情况，我们建议使用 INLINECODE90741529 并且配合 INLINECODEae4c2ff3 参数（如果是行分隔的 JSON），或者使用流式解析库如 INLINECODE9aef8db1 来逐块读取和写入 Excel，但这通常涉及到分 Sheet 存储的策略。
4. 缺失值的处理
现实世界的数据往往是不完美的。JSON 中某些字段可能缺失（INLINECODE2043baae）。在 Pandas 中，这些会被转换为 INLINECODE89330f78（Not a Number）。导出到 Excel 时，这些单元格会显示为空白。如果你希望用特定的值（如 0 或 "N/A"）填充，可以使用 df.fillna() 方法：
df.fillna("N/A", inplace=True)
总结
在本文中，我们像探索一条技术路线图一样，从最基础的概念开始，一步步学习了如何使用 Python 将 JSON 数据转换为 Excel 文件。我们不仅掌握了基础的 INLINECODE645d2177 和 INLINECODE8ec5f532 用法，还深入研究了如何处理列表数据、如何扁平化嵌套的复杂 JSON 结构，以及如何通过 INLINECODE35afb046 和 INLINECODEe0fcbc44 为我们的报表添加专业的格式。
掌握这项技能后，你将不再需要手动复制粘贴数据到 Excel 中。你可以编写一个简单的脚本，一键完成从原始 API 数据到精美报表的转换过程。这不仅极大地提高了工作效率，也减少了人为操作带来的错误风险。
既然你已经掌握了这些代码，不妨尝试一下你自己的数据集？或者，你可以尝试将这些步骤封装成一个可复用的函数，方便在未来的项目中直接调用。祝你在数据处理的旅程中收获满满！