Comment convertir JSON en CSV : méthodes, outils et exemples de code

Comment convertir JSON en CSV : méthodes rapides

La conversion de JSON en CSV est l'une des tâches de transformation de données les plus courantes. Que vous ayez besoin d'analyser des données API dans Excel, d'exporter des enregistrements de base de données pour un rapport ou de préparer des données d'apprentissage pour le machine learning, voici les méthodes les plus rapides :

Méthode 1 : Convertisseur en ligne gratuit (sans code)

La façon la plus rapide de convertir JSON en CSV est d'utiliser le Convertisseur JSON en CSV gratuit de Qodex :

1. Collez vos données JSON ou téléchargez un fichier .json

2. L'outil détecte automatiquement la structure et aplatit les objets imbriqués

3. Téléchargez le fichier CSV résultant

Cette méthode convient le mieux aux conversions rapides et ponctuelles de petits à moyens ensembles de données. Aucun compte requis, aucune donnée stockée sur les serveurs.

Pour la conversion inverse, utilisez le Convertisseur CSV en JSON. Pour une comparaison plus approfondie de ces formats, consultez notre comparaison CSV vs JSON.

Méthode 2 : Python avec pandas

La bibliothèque pandas de Python est le choix le plus populaire pour la conversion programmatique de JSON en CSV, notamment pour les grands ensembles de données ou les pipelines automatisés :

import pandas as pd
import json
# Tableau JSON plat simple
data = [
{"name": "Alice", "email": "alice@example.com", "age": 30},
{"name": "Bob", "email": "bob@example.com", "age": 25}
]
df = pd.DataFrame(data)
df.to_csv("output.csv", index=False)
# Depuis un fichier JSON
df = pd.read_json("data.json")
df.to_csv("output.csv", index=False)
# JSON imbriqué, aplatir d'abord
with open("nested.json") as f:
data = json.load(f)
df = pd.json_normalize(data)  # Aplatit les objets imbriqués
df.to_csv("output.csv", index=False)

Fonction clé : pd.json_normalize() gère le JSON imbriqué en l'aplatissant en colonnes avec notation par points (ex. address.city, address.zip). C'est essentiel pour convertir les réponses API du monde réel qui sont rarement plates.

Méthode 3 : JavaScript avec json2csv

Pour les projets Node.js ou les pipelines de données construits en JavaScript :

const { Parser } = require('json2csv');
const data = [
{ name: "Alice", email: "alice@example.com", age: 30 },
{ name: "Bob", email: "bob@example.com", age: 25 }
];
// Conversion de base
const parser = new Parser();
const csv = parser.parse(data);
console.log(csv);
// Avec des données imbriquées, spécifier l'aplatissement
const { Parser } = require('json2csv');
const opts = {
fields: ['name', 'address.city', 'address.zip'],
unwind: ['orders'],  // Développer les tableaux en plusieurs lignes
};
const parser = new Parser(opts);
const csv = parser.parse(nestedData);

La bibliothèque json2csv gère la plupart des structures JSON courantes, notamment les objets imbriqués, les tableaux et les types mixtes. Installez-la avec npm install json2csv.

Méthode 4 : Ligne de commande

Pour les scripts shell et les lignes de commande rapides, combinez jq (processeur JSON) avec des outils standard :

# Utiliser jq pour convertir un tableau JSON plat en CSV
cat data.json | jq -r '
  (.[0] | keys_unsorted) as $keys |
  ($keys | @csv),
  (.[] | [.[$keys[]]] | @csv)
' > output.csv
# Utiliser miller (mlr), conçu spécifiquement pour la conversion de format
mlr --json2csv cat data.json > output.csv
# Utiliser Python en une ligne
python3 -c "import pandas as pd; pd.read_json('data.json').to_csv('output.csv', index=False)"

Miller (mlr) est particulièrement utile pour la conversion de format de données. Installez-le avec brew install miller (macOS) ou apt install miller (Ubuntu).

Gestion du JSON imbriqué

Le JSON du monde réel provenant des points de terminaison API est rarement plat. Voici comment gérer les structures imbriquées courantes :

Objets imbriqués vers colonnes avec notation par points

// JSON d'entrée
{"name": "Alice", "address": {"city": "NYC", "zip": "10001"}}
// CSV de sortie
name,address.city,address.zip
Alice,NYC,10001

Tableaux vers plusieurs lignes ou chaînes délimitées

// JSON d'entrée
{"name": "Alice", "tags": ["admin", "editor"]}
// Option A : Plusieurs lignes (développement)
name,tags
Alice,admin
Alice,editor
// Option B : Chaîne délimitée
name,tags
Alice,"admin;editor"

Imbrication mixte : Aplatir + Développer

Pour un JSON profondément imbriqué, utilisez une approche en deux étapes : aplatissez d'abord les objets avec json_normalize(), puis développez les tableaux en lignes séparées. Cela préserve toutes les données tout en créant une structure tabulaire valide.

Comprendre les différences structurelles entre ces formats vous aide à choisir la bonne approche de conversion. Consultez notre comparaison CSV vs JSON pour une analyse approfondie des compromis.

Foire aux questions

Puis-je convertir du JSON imbriqué en CSV ?

Oui, mais le JSON imbriqué nécessite un aplatissement. Les objets imbriqués sont généralement convertis en noms de colonnes avec notation par points (ex. address.city), et les tableaux peuvent être développés en plusieurs lignes ou joints en chaînes délimitées. pandas.json_normalize() de Python et la bibliothèque json2csv de Node.js gèrent automatiquement la plupart des modèles d'imbrication. Pour des conversions rapides, le Convertisseur JSON en CSV de Qodex gère automatiquement les structures imbriquées.

Quelles données sont perdues lors de la conversion de JSON en CSV ?

Le CSV ne peut pas représenter les types de données (tout devient du texte), les structures imbriquées (aplaties en notation par points ou en plusieurs lignes), les distinctions entre null et chaîne vide, ni les valeurs booléennes (qui deviennent les chaînes "true"/"false"). Si vous avez besoin de préserver ces distinctions, envisagez de conserver une copie JSON aux côtés du CSV, ou d'utiliser un format qui prend en charge les types comme Parquet ou NDJSON.

Comment convertir un grand fichier JSON en CSV ?

Pour les grands fichiers (100 Mo et plus), évitez de charger l'intégralité du fichier en mémoire. Utilisez des approches en flux continu : la bibliothèque ijson de Python pour l'analyse incrémentielle, ou traitez le NDJSON (un objet JSON par ligne) avec une lecture ligne par ligne. Pour les très grands ensembles de données, des outils comme Apache Spark ou DuckDB peuvent convertir efficacement JSON en CSV avec une utilisation minimale de la mémoire.

Comment convertir des réponses JSON d'API en CSV ?

La plupart des réponses API renvoient des tableaux JSON d'objets, qui correspondent directement à des lignes CSV. Utilisez la bibliothèque requests de Python pour récupérer les données et pandas pour convertir : pd.DataFrame(response.json()).to_csv('output.csv'). Pour les APIs paginées, collectez toutes les pages dans une liste avant de convertir. Pour les flux de travail de test API, Qodex.ai peut exporter les résultats des tests directement en CSV.

Quel est le meilleur convertisseur JSON en CSV ?

Pour des conversions rapides sans code : le Convertisseur JSON en CSV de Qodex (gratuit, sans compte nécessaire). Pour une conversion programmatique en Python : pandas avec json_normalize(). Pour JavaScript/Node.js : le package npm json2csv. Pour la ligne de commande : miller (mlr --json2csv). Choisissez en fonction de votre cas d'utilisation : ponctuel ou automatisé, petits ou grands fichiers, JSON plat ou imbriqué.

Puis-je convertir du CSV en JSON ?

Oui. La conversion inverse est simple pour les données plates : chaque ligne CSV devient un objet JSON avec les en-têtes de colonnes comme clés. Utilisez le Convertisseur CSV en JSON de Qodex pour des conversions rapides, ou pandas.read_csv('data.csv').to_json() en Python. Notez que la conversion CSV en JSON produit toujours des objets plats ; si vous avez besoin de structures imbriquées, vous devrez écrire une logique de transformation personnalisée.