如何在Python中解析混有普通文本的JSON数据？

解决方案思路 #

核心是准确定位并提取完整的JSON对象——JSON对象始终以{开头、}结尾，且嵌套结构的括号成对匹配。通过跟踪括号的嵌套层级，自动捕获每个完整的JSON块，再逐一解析提取目标值即可。

实现代码 #

以下是内存友好的处理方案（适合大型文件，无需一次性加载全部内容）：

import json

def extract_and_parse_json(file_path, target_fields):
    extracted_results = []
    current_json_chars = []
    bracket_depth = 0

    with open(file_path, 'r', encoding='utf-8') as file:
        # 逐行处理，避免一次性加载大文件到内存
        for line in file:
            # 逐字符遍历，精准跟踪括号层级
            for char in line:
                if char == '{':
                    bracket_depth += 1
                    current_json_chars.append(char)
                elif char == '}':
                    bracket_depth -= 1
                    current_json_chars.append(char)
                    # 括号层级回到0，说明捕获到一个完整的JSON对象
                    if bracket_depth == 0:
                        json_str = ''.join(current_json_chars).strip()
                        try:
                            # 解析JSON字符串为Python字典
                            json_obj = json.loads(json_str)
                            # 提取指定字段，支持嵌套层级（用点分隔）
                            target_values = {}
                            for field in target_fields:
                                nested_parts = field.split('.')
                                temp = json_obj
                                for part in nested_parts:
                                    temp = temp.get(part)
                                    if temp is None:
                                        break
                                target_values[field] = temp
                            extracted_results.append(target_values)
                        except json.JSONDecodeError:
                            # 跳过无效的JSON片段
                            print(f"跳过无效JSON: {json_str[:60]}...")
                        # 重置当前JSON缓存
                        current_json_chars = []
                elif bracket_depth > 0:
                    # 仅记录处于JSON对象内部的字符
                    current_json_chars.append(char)
    return extracted_results

# 使用示例
report_path = "你的报告文件路径.txt"
# 定义需要提取的字段，嵌套字段用点分隔（如text1.text2.text3）
target_fields = ["text8", "text1.text2.text3"]
results = extract_and_parse_json(report_path, target_fields)

# 输出结果
for index, values in enumerate(results, start=1):
    print(f"第{index}个JSON对象的目标值:")
    for field, value in values.items():
        print(f"  {field}: {value}")

代码说明 #

1. 括号层级跟踪：通过bracket_depth变量记录当前所处的JSON嵌套层级，只有当层级从0变为1时开始记录字符，层级回到0时完成一个JSON对象的捕获。
2. 内存友好处理：逐行、逐字符遍历文件，不会一次性加载整个大文件到内存，适合处理超大报告。
3. 目标字段提取：支持嵌套字段的提取（如text1.text2.text3对应JSON中的text1->text2->text3），并自动处理字段不存在的情况。
4. 错误处理：捕获JSON解析失败的情况，跳过无效的JSON片段，避免程序崩溃。

为什么之前的方法无效 #

• json.loads()：要求传入完整且标准的JSON字符串，你直接传入包含大量非JSON内容的混合文本，自然解析失败。
• json.dumps()：作用是将Python对象转换为JSON字符串，你把整个文本转成JSON字符串后，所有内容都变成了一个字符串值，根本无法解析其中的JSON结构。

注意事项 #

• 如果报告中存在非JSON的{}片段（比如普通文本中的括号），代码会尝试解析但捕获错误后跳过，不影响有效JSON的提取。
• 确保报告中的JSON是标准格式（键和字符串均使用双引号），如果存在单引号格式的JSON，需要先添加预处理步骤（如替换单引号为双引号，注意区分字符串内部的单引号）。

内容的提问来源于stack exchange，提问作者Helbirah