嵌套JSON转Excel：三个在线工具都报错，Pandas四行代码搞定

数据格式转换场景速查表

在线工具的"本地处理"标签很重要：如果工具标注了"纯前端处理"或"数据不上传服务器"，说明你的数据只在浏览器里运行，不会经过第三方服务器。filuni.com、allkit.co、csvall.cn 都明确标注了这一点。涉及敏感数据时优先选这类工具。

典型的嵌套JSON结构——在线工具大概率处理不了

{"orders": [{"order_id": "20260701001","customer": {"name": "张三","email": "zhangsan@email.com","address": {"city": "深圳", "district": "南山区"}},"items": [{"sku": "A001", "name": "机械键盘", "qty": 1, "price": 299},{"sku": "A002", "name": "鼠标", "qty": 2, "price": 89}],"total": 477,"created_at": "2026-07-01T10:30:00Z"}// ... 可能还有几百条]}

Python方案：json_normalize 自动展平嵌套对象 + 手动展开数组

import pandas as pdimport json# 读取JSON文件with open("orders.json", "r", encoding="utf-8") as f:data = json.load(f)orders = data["orders"]# 第一步：展平嵌套对象（customer.name → customer_name）# json_normalize自动处理customer和customer.address两层嵌套df = pd.json_normalize(orders,record_path=None,           # 主记录就是orders本身meta=[],                    # 不需要额外元数据sep="_"                     # 嵌套键用下划线连接)# 结果列名：order_id, customer_name, customer_email,#          customer_address_city, customer_address_district,#          items, total, created_at# 第二步：展开items数组，每个商品一行# explode把数组拆成多行，类似SQL的UNNESTdf_exploded = df.explode("items")# 第三步：把items里的字典字段拆成独立列items_df = pd.json_normalize(df_exploded["items"])# items_df列名：sku, name, qty, price# 第四步：拼回去result = pd.concat([df_exploded.drop(columns=["items"]).reset_index(drop=True),items_df], axis=1)# 导出result.to_csv("orders_flat.csv", index=False, encoding="utf-8-sig")print(f"完成！{len(orders)}条订单 → {len(result)}行CSV数据")

json_normalize的三个常用参数

sep="_"：嵌套键的连接符，默认是"."，改成"_"避免和JSON路径混淆。
record_path="items"：如果JSON结构是{ "data": [ {...}, {...} ] }，record_path="data"直接从data数组开始展平。
max_level=2：限制展平深度，超过这个层级的嵌套保持为字典不展开，避免列数爆炸。

XML → JSON → CSV，三步串起来

import xmltodictimport jsonimport pandas as pd# XML → 字典（一行代码）with open("data.xml", "r", encoding="utf-8") as f:obj = xmltodict.parse(f.read())# 字典 → JSON字符串（可选，方便查看中间结果）json_str = json.dumps(obj, ensure_ascii=False, indent=2)# 提取实际数据数组（取决于你的XML结构）# 假设XML结构是 ...records = obj["root"]["items"]["item"]# 转DataFrame → 导出CSVdf = pd.DataFrame(records)df.to_csv("data.csv", index=False, encoding="utf-8-sig")

XML转JSON的常见坑：命名空间

很多XML文件里带命名空间，比如<ns1:order xmlns:ns1="http://example.com">。xmltodict默认会保留命名空间前缀，导致字段名变成ns1:order_id这种带冒号的键，后面处理起来很麻烦。解决方法：xmltodict.parse(xml_str, process_namespaces=True, namespaces={"http://example.com": None})——把命名空间映射为空，字段名就干净了。

Power Query导入CSV的四步操作

1. 打开空白Excel → 顶部菜单"数据" → "获取数据" → "从文件" → "从文本/CSV"
2. 选择CSV文件后出现预览窗口。左上角"文件原始格式"下拉选 "65001: Unicode (UTF-8)"（这是UTF-8的编码代号）。分隔符默认逗号，如果CSV用制表符或分号分隔，在这里改。
3. 点右下角"转换数据"（不是"加载"），进入Power Query编辑器。在这里你可以：把"数字"类型的列手动改成"文本"（避免长数字变科学计数法）、删除空行、拆分合并列、过滤数据。
4. 处理好后点"关闭并上载"→ 数据以标准Excel表格形式呈现，所有格式都按你设定的来。

长数字变科学计数法的修复方法

如果你的CSV里有身份证号、订单号这类15位以上的纯数字，在Power Query编辑器里选中该列 → 左上角数据类型下拉 → 选"文本"。这样导入后就是完整的数字字符串，不会变成1.23E+17。这个操作必须在导入阶段做，数据进了Excel再改格式已经晚了——后15位已经变成了0。

批量JSON → CSV：一个文件夹里所有JSON一键转换

import pandas as pdimport jsonimport globfor filepath in glob.glob("data/*.json"):with open(filepath, "r", encoding="utf-8") as f:data = json.load(f)# 提取实际数据（根据你的JSON结构调整）records = data.get("items", data.get("data", data))if isinstance(records, dict):records = [records]df = pd.DataFrame(records)# 输出同名CSVcsv_path = filepath.replace(".json", ".csv")df.to_csv(csv_path, index=False, encoding="utf-8-sig")print(f"OK: {filepath} → {csv_path}")print(f"全部完成，共处理 {len(glob.glob('data/*.json'))} 个文件")

命令行 jq：不需要写Python文件，一行命令JSON→CSV

# 安装jq（Linux/Mac/WSL自带或apt install jq）# 提取JSON数组中特定字段，输出CSVcat data.json | jq -r '.[] | [.id, .name, .email] | @csv' > output.csv# 如果JSON是 {"items": [...]} 结构cat data.json | jq -r '.items[] | [.id, .name, .price] | @csv' > output.csv

最后说句实在的

数据格式转换这件事，工具选择不是重点——重点是先看一眼数据结构再动手。绝大多数翻车现场都是同一个原因：没看JSON有几层嵌套就直接往在线工具里扔，结果CSV列名对不上、数据缺胳膊少腿，自己还不知道。

养成习惯：拿到数据后先用json.dumps(obj, indent=2)[:500]打印前500个字符，看清楚结构。扁平的一层结构→在线工具秒出结果；嵌套的→直接上Python，别在在线工具上浪费时间。

还有就是编码。中文数据的转换输出统一用encoding="utf-8-sig"——多一个-sig是给文件加BOM头，Excel打开能自动识别UTF-8编码，省掉每次手动选编码的步骤。