Converter JSON aninhado para CSV: como achatar dados sem perder o significado

O que decidir ao converter JSON aninhado para CSV

JSON pode conter objetos aninhados e arrays; CSV organiza informações em linhas e colunas. Para passar de uma estrutura à outra, decida qual elemento representa uma linha e quais campos serão colunas. A conversão envolve escolher como representar dados que não se encaixam diretamente em uma tabela plana.

Antes de enviar um arquivo JSON a um conversor externo, não inclua dados sensíveis sem verificar se esse uso é autorizado e como o serviço trata esses dados.

A ferramenta da Datablist permite selecionar nós que definem as linhas, escolher objetos para achatar, estabelecer regras para arrays e pré-visualizar o CSV antes de baixá-lo. O resultado depende das escolhas feitas, então confira a configuração e a prévia em vez de presumir os nomes das colunas ou a representação de cada campo.

Antes de começar, localize no JSON o objeto ou conjunto de objetos que contém os registros de interesse. Depois, identifique quais informações você quer na tabela final e quais não são necessárias para o objetivo da exportação.

• Decida qual nó do JSON define cada linha.
• Escolha quais objetos aninhados quer achatar.
• Estabeleça uma regra para os arrays e confira a prévia.
• Antes de usar um serviço externo, verifique se o envio de dados sensíveis é autorizado e como o serviço trata esses dados.

Exemplo: achatar um objeto aninhado

Considere este exemplo hipotético: cada pedido representa uma linha e os campos do objeto «cliente» tornam-se colunas. A entrada contém apenas um pedido para ilustrar o que significa achatar um objeto: selecionar campos internos e representá-los na tabela.

JSON de entrada: {"pedido_id": "P-104", "cliente": {"nome": "Lúcia", "cidade": "Sevilha"}, "total": 48.5}

Uma possível representação CSV para essa escolha é: pedido_id,cliente_nome,cliente_cidade,total P-104,Lúcia,Sevilha,48.5

Nesta proposta, cliente_nome e cliente_cidade indicam os campos do objeto cliente que foram levados para a tabela. Os nomes são ilustrativos, não uma convenção atribuída à Datablist nem uma garantia sobre como outra ferramenta nomeará as colunas. Se você precisa de cabeçalhos específicos, confira-os na prévia.

Achatar os campos necessários permite visualizá-los em colunas separadas. Compare os cabeçalhos e valores da prévia com os campos originais para verificar se a estrutura corresponde ao que você espera.

Como pensar nos arrays: duas representações possíveis

A Datablist permite definir regras para arrays. As informações disponíveis não especificam como o conversor trata casos concretos, como arrays de comprimentos diferentes ou arrays vazios. O exemplo a seguir é conceitual: ilustra escolhas de estrutura tabular, não opções nem resultados garantidos da ferramenta.

Suponha que um pedido contenha duas etiquetas: «urgente» e «presente». Uma representação ilustrativa poderia reservar colunas por posição, como etiqueta_1 e etiqueta_2, mantendo o pedido em uma linha. Outra poderia usar uma linha por etiqueta e repetir o identificador do pedido: P-104 com «urgente» em uma linha e P-104 com «presente» em outra.

A representação por colunas posicionais pode não acomodar um registro que tenha mais elementos do que as colunas previstas. Essa é uma limitação possível da estrutura tabular hipotética, não uma descrição do comportamento da Datablist. A alternativa de uma linha por etiqueta mantém cada valor em sua própria linha neste exemplo, mas repete o identificador do pedido.

Ao configurar uma conversão real, confira a prévia com arrays representativos dos seus dados. As fontes consultadas não especificam o tratamento de arrays vazios, campos ausentes ou valores nulos; verifique esses casos se eles ocorrerem no seu arquivo.

• Trate as representações do exemplo como estruturas possíveis, não como resultados atribuídos à Datablist.
• Considere que colunas posicionais podem não acomodar registros com mais elementos do que o previsto.
• Confira a prévia com arrays representativos dos seus dados.
• Verifique separadamente os casos que as fontes disponíveis não especificam.

Métodos mencionados para converter JSON para CSV em Python

A Bright Data menciona as bibliotecas csv, json e pandas como métodos para converter dados JSON para CSV em Python e observa que cada método tem vantagens. As informações disponíveis não detalham essas diferenças nem recomendam uma implementação específica.

Ao escolher um método, descreva a estrutura do arquivo e o resultado tabular desejado: qual elemento será uma linha, quais campos devem virar colunas e como você pretende representar os arrays. Consulte a documentação do método para confirmar suas opções e seu comportamento com essa estrutura.

Não presuma que uma regra de um conversor visual se aplique da mesma forma a uma biblioteca Python, nem que os três nomes citados produzam resultados idênticos. Se comparar métodos, use o mesmo JSON de teste e confira se as tabelas correspondem à estrutura desejada.

Pré-visualizar e conferir a conversão

A pré-visualização está entre os recursos descritos para o conversor da Datablist. Use-a para comparar a tabela com suas escolhas de nós, objetos a achatar e regras para arrays antes de baixar o CSV.

Acompanhe um ou mais registros do JSON até a prévia. Localize o valor original, confira em qual linha e coluna aparece e veja se os cabeçalhos representam os campos que você queria incluir. Para arrays, observe a representação efetiva na prévia.

Se o resultado não corresponder ao esperado, revise a seleção do nó que define as linhas, o achatamento do objeto e a regra do array. Para campos ausentes ou valores nulos, confira a prévia com a configuração escolhida, pois as fontes disponíveis não especificam como são tratados.

O Apification Cloud oferece um espaço de trabalho organizado e com controle de versões, além de permitir consultar o histórico de itens. Isso pode ajudar a manter o JSON de origem e o CSV de trabalho fáceis de encontrar; não valida a conversão nem substitui a revisão do conteúdo.

• Confira os cabeçalhos e acompanhe valores do JSON até a prévia.
• Inclua na revisão objetos aninhados e arrays representativos dos seus dados.
• Se o resultado não corresponder ao esperado, revise a seleção e a regra antes de baixar.
• Mantenha o JSON de origem e o CSV de trabalho fáceis de encontrar.

Fontes técnicas consultadas

Datablist, «Convertidor de JSON a CSV» (título original em espanhol): https://www.datablist.com/es/tools/json-to-csv. As informações disponíveis descrevem a seleção de nós que definem as linhas, o achatamento de objetos, as regras para arrays e a pré-visualização antes do download.

Bright Data, «¿Cómo convertir datos JSON a CSV en Python?» (título original em espanhol): https://brightdata.es/faqs/json/convert-json-data-to-csv. As informações disponíveis mencionam as bibliotecas csv, json e pandas.

Os exemplos de tabelas deste guia são ilustrativos. As fontes citadas não especificam uma convenção para nomear colunas nem o tratamento exato de arrays de comprimentos diferentes, arrays vazios, campos ausentes ou valores nulos.

Perguntas frequentes