如何将包含image_id与caption的文本转换为指定结构的JSON文件

方案一：Python脚本实现（推荐，适合大量数据场景） #

首先注意：JSON规范不允许数字类型存在前导零，如果你需要保留0873里的前导0，需要把image_id设为字符串类型，脚本里提供了两种可选写法。

• 先把你的源内容保存为纯文本文件，命名为source.txt
• 运行以下Python代码即可生成目标JSON文件：

import json

result = []
with open("source.txt", "r", encoding="utf-8") as f:
    for line in f:
        line = line.strip()
        if not line:
            continue
        # 按分隔符拆分，先拆分出image_id和后面的caption部分
        parts = line.split("caption", 1)
        image_id_str = parts[0].replace("image_id", "").strip()
        caption = parts[1].strip()
        # 可选1：image_id为数字类型，自动去掉前导零
        # image_id = int(image_id_str)
        # 可选2：image_id为字符串类型，保留前导零
        image_id = image_id_str
        result.append({"image_id": image_id, "caption": caption})

# 写入到结果文件
with open("output.json", "w", encoding="utf-8") as f:
    json.dump(result, f, ensure_ascii=False, indent=2)

运行后生成的output.json就是你需要的文件。

方案二：文本编辑器批量替换（适合小数据量快速处理） #

如果你只有少量数据，可以用支持正则查找替换的编辑器（比如VS Code、Sublime Text）操作：

• 把源内容粘贴到编辑器里，开启正则查找替换模式
• 查找规则填：image_id\s+(\d+)\s+caption\s+(.*)
• 替换规则填：{"image_id": "$1", "caption": "$2"},
• 全部替换后，手动在最前面加[，最后面去掉多余的逗号再加]即可完成。

注意：这个方法生成的image_id默认是字符串类型，如果你需要数字类型，把替换规则里的"$1"改成$1即可，同时要手动去掉前导零避免JSON格式报错。

内容的提问来源于stack exchange，提问作者Lei