json的两种结构以及json文件转化为python的dict的方式

1、json的两种结构：

1、对象：对象在json中表现为“{ }”括起来的内容，数据结构为键值对结构{key:value，key:value}，在面向对象的语言中key为对象的属性，value为对应的属性值，。取值方法为 对象.key 获取属性值，这个属性值的类型可以是数字、字符串、数组、对象几种。 大括号{}用来描述一组“不同类型的无序键值对集合,即各个key之间没有什么明确的关系。
下面举例json的对象结构：

{"firstName":"Brett","lastName":"McLaughlin","email":"aaaa"}
每个属性和值之间用":"分隔
不同属性之间用","分隔

json中，对象的键名必须用双引号括起来；同一个对象中不应该出现两个同名的属性。

2、数组：在json中数组是用[ ]括起来的内容，数据结构为{ item1，item2，…，itemn} 其中，item是key-value键值对的形式，取值方法和数组一样，使用索引获取，其中属性值的类型可以是：数字，字符串，数组，对象（这里暗示了数组[ ]里面可以前台对象{ }）几种。方括号[]用来描述一组“相同类型的有序数据集合”

{
    "people":[
        {"firstName":"Brett","lastName":"McLaughlin","email":"aaaa"},
        {"firstName":"Jason","lastName":"Hunter","email":"bbbb"},
        {"firstName":"Elliotte","lastName":"Harold","email":"cccc"}
    ]
}

数组值之间用","分隔
访问形式为：people[0].firstname
输出：Brett

这个例子中people数组包含了三个值，这些值又是json对象。
数组和对象的最后一个成员的后面不能加 “,” 。经过对象、数组这2种结构就可以组合成复杂的数据结构了。
参考网址：http://www.runoob.com/json/json-syntax.html

2、python的dict结构：

字典是另一种可变容器模型，且可存储任意类型对象。
字典的每个键值(key=>value)对用冒号(:)分割，每个对之间用逗号(,)分割，整个字典包括在花括号({})中 ,格式如下所示：

dict = {'Name': 'Zara', 'Age': 7, 'Name': 'Manni'};

.Attention
1、python字典的值可以去任何对象，既可以是python的标准对象，也可以是用户自定义的对象，但是dict的键不行。
2、不允许同一个键出现两次。创建时如果同一个键被赋值两次，后一个值会被记住。
3、键必须不可变，所以可以用数字，字符串或元组充当，所以用列表就不行。

3、序列化（serialization）和反序列化（deserialization）：

序列化：将对象的状态信息（如python的简单数据类型：list，dict，tuple，int，float，unicode）转化为可存储或者可传输的内容（如json 、xml）的过程。
反序列化：从存储文件或者存储区域（如json 、xml）读取需要反序列化的对象状态，并重建该对象。
json：(javascript object notation)一种轻量级数据交换格式，相对于xml更简单、易阅读、编写、解析和生成，json是javascript中的一个子集

python中集成了json模块:
序列化——-encoding :将一个python对象编码成json字符串(注意：这里是指json字符串，言外之意是可以将非json字符串的文件转化为json字符串，然后再反序列化)
反序列化-—decoding:将一个字符串解码成python对象

4、序列化（serialization）和反序列化（deserialization）：

序列化方式：(Python对象转换成json的对照图)

对于python对象内的各个元素，python的字典会被转化为json的对象，python的list,tuple会被转化为array,以此类推。
反序列化：（json 对象转换成Python对象的对照图）

对于json字符串内的各个元素，字符串会被转成pyhon的str，对象会被转成python的dict，数组会被转化为python的list以此类推

参考网址：https://docs.python.org/3/library/json.html

5、下面来举例子吧：

dumps是将dict转化成str格式，loads是将str转化成dict格式。

dump和load也是类似的功能，只是与文件操作结合起来了。

json文件如下：

{
    "dataset": {
        "train": {
            "type": "mnist",
            "data_set": "train",
            "layout_x": "tensor"
        },
        "test": {
            "type": "mnist",
            "data_set": "test",
            "layout_x": "tensor"
        }
    },
    "train": {
        "keep_model_in_mem": 0,
        "random_state": 0,
        "data_cache": {
            "cache_in_disk": {
                "default": 1
            },
            "keep_in_mem": {
                "default": 0
            },
            "cache_dir": "/mnt/raid/fengji/gcforest/mnist/fg-tree500-depth100-3folds/datas"
        }
    },
     "outputs": ["pool1/7x7/ets", "pool1/7x7/rf", "pool1/10x10/ets", "pool1/10x10/rf", "pool1/13x13/ets", "pool1/13x13/rf"],
     "estimators": [
            {"n_folds":3,"type":"ExtraTreesClassifier","n_estimators":500,"max_depth":100,"n_jobs":-1,"min_samples_leaf":10},
            {"n_folds":3,"type":"RandomForestClassifier","n_estimators":500,"max_depth":100,"n_jobs":-1,"min_samples_leaf":10}
        ]
}

python对象如下：

dictObject={
    "dataset": {
        "train": {
            "type": "mnist",
            "data_set": "train",
            "layout_x": "tensor"
        },
        "test": {
            "type": "mnist",
            "data_set": "test",
            "layout_x": "tensor"
        }
    },
    "train": {
        "keep_model_in_mem": 0,
        "random_state": 0,
        "data_cache": {
            "cache_in_disk": {
                "default": 1
            },
            "keep_in_mem": {
                "default": 0
            },
            "cache_dir": "/mnt/raid/fengji/gcforest/mnist/fg-tree500-depth100-3folds/datas"
        }
    },
     "outputs": ["pool1/7x7/ets", "pool1/7x7/rf", "pool1/10x10/ets", "pool1/10x10/rf", "pool1/13x13/ets", "pool1/13x13/rf"],
     "estimators": [
            {"n_folds":3,"type":"ExtraTreesClassifier","n_estimators":500,"max_depth":100,"n_jobs":-1,"min_samples_leaf":10},
            {"n_folds":3,"type":"RandomForestClassifier","n_estimators":500,"max_depth":100,"n_jobs":-1,"min_samples_leaf":10}
        ]
}

反序列化：json——>python

# 读取json数据的代码:
path="D:\PycharmProjects/untitled\jsonformat"
with open(path) as f:
    deserialization=json.load(f)
print(type(deserialization))
print(type(deserialization["train"]))
print(type(deserialization["outputs"]))
print(type(deserialization["estimators"]))
print(type(deserialization["dataset"]["train"]["type"]))
print(type(deserialization["train"]["keep_model_in_mem"]))
print(type(deserialization["train"]["data_cache"]))

# 对应的输出:
<class 'dict'>
<class 'dict'>
<class 'list'>
<class 'list'>
<class 'str'>
<class 'int'>
<class 'dict'>
# 与json--->python的对照图一致

序列化：python——>json

# 读取python对象的代码:

serialization=json.dumps(dictObject)
print(type(serialization))
print(serialization)

# 输出结果:
<class 'str'>
{"dataset": {"train": {"type": "mnist", "layout_x": "tensor", "data_set": "train"}, "test": {"type": "mnist", "layout_x": "tensor", "data_set": "test"}}, "train": {"random_state": 0, "data_cache": {"cache_in_disk": {"default": 1}, "cache_dir": "/mnt/raid/fengji/gcforest/mnist/fg-tree500-depth100-3folds/datas", "keep_in_mem": {"default": 0}}, "keep_model_in_mem": 0}, "outputs": ["pool1/7x7/ets", "pool1/7x7/rf", "pool1/10x10/ets", "pool1/10x10/rf", "pool1/13x13/ets", "pool1/13x13/rf"], "estimators": [{"type": "ExtraTreesClassifier", "n_jobs": -1, "n_estimators": 500, "max_depth": 100, "n_folds": 3, "min_samples_leaf": 10}, {"type": "RandomForestClassifier", "n_jobs": -1, "n_estimators": 500, "max_depth": 100, "n_folds": 3, "min_samples_leaf": 10}]}