Как перевести JSON в XLSX без ошибок? Онлайн-конвертер и советы

Самый гибкий способ — написать скрипт на Python. Установите две библиотеки:

pip install pandas openpyxl

Пример для плоского JSON-массива (список объектов с одинаковыми ключами):

import pandas as pd
import json

with open('data.json', 'r', encoding='utf-8') as f:
    data = json.load(f)

df = pd.json_normalize(data)
df.to_excel('output.xlsx', index=False, engine='openpyxl')

q — ключевой параметр: index=False убирает лишний столбец с номерами строк. engine='openpyxl' обязателен для записи .xlsx.

Если ваш JSON — один объект, заверните его в список: [data].

Для вложенных структур используйте json_normalize с параметром record_path и meta. Подробнее — в разделе 4.

Частая проблема: JSON содержит вложенные объекты (например, адрес внутри пользователя). Без flatten каждый вложенный объект станет строкой с {'street': '...', 'city': '...'} в одной ячейке — непригодно для анализа.

Решение — использовать pd.json_normalize:

import pandas as pd
import json

with open('nested.json') as f:
    data = json.load(f)

df = pd.json_normalize(data, sep='_')
df.to_excel('flat.xlsx', index=False)

Параметр sep='_' определяет разделитель между уровнями: address_street.

Для массивов внутри JSON укажите record_path (путь к массиву) и meta (поля из родительского объекта):

df = pd.json_normalize(data, record_path='items', meta=['id', 'name'])

Если структура глубже 2 уровней — лучше сначала написать рекурсивный flatten, либо воспользоваться онлайн-инструментом JSON в XLSX, который делает flatten автоматически.

Когда JSON содержит массивы разной длины или неоднородные объекты (разные ключи), pandas заполняет пропуски NaN. Это нормально, но может быть нежелательно.

Пример: один пользователь имеет 3 телефона, другой — 1. После flatten для короткого массива появятся пустые ячейки.

Как избежать пустых ячеек?

• Разделить на отдельные строки: используйте explode для массива. Например, df.explode('phones') создаст по строке на каждый телефон.
• Объединить в строку: df['phones'] = df['phones'].apply(lambda x: '; '.join(x))

Для неоднородных объектов принудительно приведите к единой схеме: df = pd.DataFrame(data).fillna('')

Совет: если данные не влезают в Excel (более 1 048 576 строк), используйте формат .csv или разделите на несколько листов с pd.ExcelWriter.

Параметр orient в pd.read_json бывает: 'records' (список объектов), 'index' (словарь с индексами), 'columns' (словарь столбцов). Для большинства случаев используйте orient='records'.

Пример с read_json:

df = pd.read_json('data.json', orient='records')
df.to_excel('output.xlsx', index=False)

Но учтите: read_json не умеет flatten, поэтому лучше загружать через json.load и затем json_normalize.

Скрипт не всегда удобен: нет Python под рукой, файл на телефоне, срочно нужно одному человеку. Тут выручают онлайн-сервисы.

Наш сайт предлагает несколько инструментов:

• JSON в XLSX — прямой конвертер с flatten и поддержкой UTF-8
• CSV в XLSX — если у вас уже CSV
• JSON в CSV — промежуточный шаг для больших файлов
• XLSX в CSV — обратная конвертация

Онлайн-конвертеры обычно автоматически определяют разделители и кодировку, но у них есть ограничения: размер файла (часто до 10-50 МБ) и конфиденциальность данных — не загружайте чувствительные данные на непроверенные сайты.

Наш конвертер JSON в XLSX обрабатывает файлы до 10 МБ и не сохраняет данные на сервере после конвертации.

Вывод: для разовых небольших задач (до 10 МБ, несекретные данные) — онлайн. Для регулярной обработки, больших объёмов или конфиденциальной информации — Python.

Кстати, если вам нужно сначала привести JSON к CSV (например, для загрузки в Excel как CSV), используйте JSON в CSV, а потом CSV в XLSX.

• Кодировка: русские буквы превращаются в кракозябры. Решение: всегда указывайте encoding='utf-8' при открытии файла и при записи.
• Огромные файлы: Excel не поддерживает более 1 048 576 строк и 16 384 столбцов. Python выдаст ошибку при попытке записать больший DataFrame. Используйте .csv или разбивайте на листы.
• Null и NaN: пустые значения в Excel отображаются как пустые ячейки или #N/A. Можно заполнить fillna('').
• Формулы и стили: конвертация чистых данных не переносит формулы. Если нужны формулы — добавляйте их после конвертации средствами Excel.
• Вложенные объекты: без flatten вы получите ячейки с содержимым типа {'a':1} — бесполезно.

Всегда проверяйте результат конвертации на небольшом тестовом JSON перед обработкой большого файла.

1. Проверьте JSON на валидность — используйте JSONLint (не наш домен, но доверенный).
2. Убедитесь, что JSON — массив объектов, а не один объект. Если это объект, оберните его в [...].
3. Посмотрите структуру в Python: выведите первые записи print(data[:2]).
4. Попробуйте pd.json_normalize с повышением разупрощения: если не работает, распечатайте ключи и решите, какие поля нужны.
5. Используйте онлайн-инструмент для отладки: загрузите тот же JSON в JSON в XLSX и скачайте результат — если он корректен, проблема в вашем скрипте.
6. Проверьте установку библиотек: import pandas и import openpyxl без ошибок.

Если после всех шагов проблема осталась — опишите структуру JSON в техподдержку (пример строки).