如何将 JSON 转换为 Excel（反之亦然）

# 如何将 JSON 转换为 Excel（反之亦然）

JSON 和 Excel 是两种最常用的数据格式。本综合指南将向您展示使用在线工具、Python、JavaScript 等在它们之间转换的每种方法。

为什么转换 JSON 到 Excel？

用例

• 📊 数据分析：在 Excel 中分析 API 数据
• 👥 团队协作：与非技术用户共享数据
• 📈 可视化：创建图表和数据透视表
• 📁 报告：生成业务报告
• 🔄 数据迁移：在系统之间传输数据

优势

• ✅ Excel 被广泛使用和理解
• ✅ 强大的数据分析功能
• ✅ 易于与团队共享
• ✅ 支持格式化和公式
• ✅ 无需编程知识

在线转换器

Big JSON Viewer

最佳综合工具 步骤：

访问 bigjson.online

上传或粘贴 JSON 文件

点击"导出到 Excel"

下载 XLSX 文件

功能：

• ✅ 处理大文件（100MB+）
• ✅ 保留数据类型
• ✅ 处理嵌套结构
• ✅ 免费使用

ConvertCSV.com

步骤：

访问 convertcsv.com

选择"JSON 到 Excel"

粘贴 JSON 或上传文件

点击"转换"

下载 XLSX

JSON-Excel-CSV

特点：

• 批量转换
• 自定义分隔符
• 多工作表支持

Code Beautify

快速简单：

访问 codebeautify.org/json-to-excel-converter

粘贴 JSON

点击"JSON 到 Excel"

下载文件

Python 与 Pandas

基本安装

pip install pandas openpyxl

简单转换

import pandas as pd
import json

# 从文件加载 JSON
with open('data.json', 'r', encoding='utf-8') as f:
    data = json.load(f)

# 转换为 DataFrame
df = pd.DataFrame(data)

# 保存到 Excel
df.to_excel('output.xlsx', index=False, engine='openpyxl')

print("转换完成！")

处理嵌套 JSON

import pandas as pd
import json

# 加载嵌套 JSON
with open('nested.json', 'r', encoding='utf-8') as f:
    data = json.load(f)

# 展平嵌套结构
df = pd.json_normalize(data, sep='_')

# 保存到 Excel
df.to_excel('flattened.xlsx', index=False)

示例数据：

[
  {
    "name": "张三",
    "age": 30,
    "address": {
      "city": "北京",
      "district": "朝阳"
    }
  }
]

输出列：

• name
• age
• address_city
• address_district

多工作表

import pandas as pd

# 准备数据
users_df = pd.DataFrame([
    {"name": "张三", "age": 30},
    {"name": "李四", "age": 25}
])

orders_df = pd.DataFrame([
    {"order_id": 1, "amount": 100},
    {"order_id": 2, "amount": 200}
])

# 写入多个工作表
with pd.ExcelWriter('output.xlsx', engine='openpyxl') as writer:
    users_df.to_excel(writer, sheet_name='用户', index=False)
    orders_df.to_excel(writer, sheet_name='订单', index=False)

print("多工作表 Excel 已创建！")

高级格式化

import pandas as pd
from openpyxl import load_workbook
from openpyxl.styles import Font, PatternFill

# 创建 Excel
df.to_excel('styled.xlsx', index=False)

# 加载并应用样式
wb = load_workbook('styled.xlsx')
ws = wb.active

# 标题样式
header_fill = PatternFill(start_color="4472C4", end_color="4472C4", fill_type="solid")
header_font = Font(color="FFFFFF", bold=True)

for cell in ws[1]:
    cell.fill = header_fill
    cell.font = header_font

# 保存
wb.save('styled.xlsx')

处理大型 JSON

import pandas as pd
import json

def convert_large_json(input_file, output_file, chunksize=1000):
    """分块转换大型 JSON 文件"""

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

    # 分块处理
    total_rows = len(data)

    with pd.ExcelWriter(output_file, engine='openpyxl') as writer:
        for i in range(0, total_rows, chunksize):
            chunk = data[i:i + chunksize]
            df = pd.DataFrame(chunk)

            # 附加到同一工作表
            if i == 0:
                df.to_excel(writer, sheet_name='数据', index=False)
            else:
                df.to_excel(writer, sheet_name='数据', 
                           index=False, header=False, 
                           startrow=i+1)

    print(f"已转换 {total_rows} 行")

# 使用
convert_large_json('large_data.json', 'output.xlsx')

JavaScript/Node.js

使用 xlsx 库

安装：

npm install xlsx

基本转换：

const XLSX = require('xlsx');
const fs = require('fs');

// 读取 JSON
const jsonData = JSON.parse(fs.readFileSync('data.json', 'utf8'));

// 转换为工作表
const worksheet = XLSX.utils.json_to_sheet(jsonData);

// 创建工作簿
const workbook = XLSX.utils.book_new();
XLSX.utils.book_append_sheet(workbook, worksheet, '数据');

// 写入文件
XLSX.writeFile(workbook, 'output.xlsx');

console.log('Excel 文件已创建！');

自定义列标题

const XLSX = require('xlsx');

const data = [
  { name: "张三", age: 30, city: "北京" },
  { name: "李四", age: 25, city: "上海" }
];

// 自定义标题
const worksheet = XLSX.utils.json_to_sheet(data, {
  header: ["姓名", "年龄", "城市"]
});

const workbook = XLSX.utils.book_new();
XLSX.utils.book_append_sheet(workbook, worksheet, 'Sheet1');

XLSX.writeFile(workbook, 'custom_headers.xlsx');

多工作表

const XLSX = require('xlsx');

const users = [
  { name: "张三", age: 30 },
  { name: "李四", age: 25 }
];

const orders = [
  { orderId: 1, amount: 100 },
  { orderId: 2, amount: 200 }
];

const workbook = XLSX.utils.book_new();

const usersSheet = XLSX.utils.json_to_sheet(users);
const ordersSheet = XLSX.utils.json_to_sheet(orders);

XLSX.utils.book_append_sheet(workbook, usersSheet, '用户');
XLSX.utils.book_append_sheet(workbook, ordersSheet, '订单');

XLSX.writeFile(workbook, 'multi_sheet.xlsx');

处理嵌套对象

const XLSX = require('xlsx');

const data = [
  {
    name: "张三",
    address: {
      city: "北京",
      district: "朝阳"
    }
  }
];

// 展平对象
const flattened = data.map(item => ({
  name: item.name,
  city: item.address.city,
  district: item.address.district
}));

const worksheet = XLSX.utils.json_to_sheet(flattened);
const workbook = XLSX.utils.book_new();
XLSX.utils.book_append_sheet(workbook, worksheet, '数据');

XLSX.writeFile(workbook, 'flattened.xlsx');

Excel 到 JSON

Python (Pandas)

import pandas as pd
import json

# 读取 Excel
df = pd.read_excel('input.xlsx', engine='openpyxl')

# 转换为 JSON
json_data = df.to_dict('records')

# 保存到文件
with open('output.json', 'w', encoding='utf-8') as f:
    json.dump(json_data, f, ensure_ascii=False, indent=2)

# 或直接获取 JSON 字符串
json_string = df.to_json(orient='records', force_ascii=False, indent=2)
print(json_string)

JavaScript (xlsx)

const XLSX = require('xlsx');
const fs = require('fs');

// 读取 Excel
const workbook = XLSX.readFile('input.xlsx');
const sheetName = workbook.SheetNames[0];
const worksheet = workbook.Sheets[sheetName];

// 转换为 JSON
const jsonData = XLSX.utils.sheet_to_json(worksheet);

// 保存到文件
fs.writeFileSync('output.json', JSON.stringify(jsonData, null, 2));

console.log('JSON 文件已创建！');

读取多个工作表

import pandas as pd
import json

# 读取所有工作表
excel_file = pd.ExcelFile('input.xlsx')

result = {}
for sheet_name in excel_file.sheet_names:
    df = pd.read_excel(excel_file, sheet_name=sheet_name)
    result[sheet_name] = df.to_dict('records')

# 保存
with open('all_sheets.json', 'w', encoding='utf-8') as f:
    json.dump(result, f, ensure_ascii=False, indent=2)

命令行工具

使用 jq 和 csvkit

安装：

# macOS
brew install jq csvkit

# Ubuntu
sudo apt-get install jq csvkit

# Windows (Scoop)
scoop install jq csvkit

JSON 到 CSV：

jq -r '(.[0] | keys_unsorted) as $keys | $keys, map([.[ $keys[] ]])[] | @csv' data.json > output.csv

CSV 到 Excel（使用 Python）：

python -c "import pandas as pd; pd.read_csv('input.csv').to_excel('output.xlsx', index=False)"

实际示例

示例 1：API 响应到 Excel

import requests
import pandas as pd

# 从 API 获取数据
response = requests.get('https://api.example.com/users')
data = response.json()

# 转换为 Excel
df = pd.DataFrame(data['users'])
df.to_excel('api_users.xlsx', index=False)

示例 2：GitHub 仓库数据

import requests
import pandas as pd

# 获取 GitHub 仓库
response = requests.get('https://api.github.com/users/microsoft/repos')
repos = response.json()

# 提取相关字段
data = [{
    '名称': repo['name'],
    '星标': repo['stargazers_count'],
    '语言': repo['language'],
    '描述': repo['description']
} for repo in repos]

# 保存到 Excel
df = pd.DataFrame(data)
df.to_excel('github_repos.xlsx', index=False)

示例 3：嵌套电商数据

import pandas as pd
import json

# 复杂的嵌套 JSON
data = {
    "order_id": "ORD123",
    "customer": {
        "name": "张三",
        "email": "zhangsan@example.com"
    },
    "items": [
        {"product": "笔记本电脑", "price": 5999, "qty": 1},
        {"product": "鼠标", "price": 99, "qty": 2}
    ]
}

# 展平订单
order_info = {
    "订单ID": data["order_id"],
    "客户姓名": data["customer"]["name"],
    "客户邮箱": data["customer"]["email"]
}

# 展平商品
items_df = pd.DataFrame(data["items"])
items_df = items_df.rename(columns={
    "product": "产品",
    "price": "价格",
    "qty": "数量"
})

# 添加订单信息到每个商品
for key, value in order_info.items():
    items_df[key] = value

# 保存
items_df.to_excel('orders.xlsx', index=False)

最佳实践

1. 处理缺失值

import pandas as pd
import json

# 处理 null/None 值
df = pd.DataFrame(data)
df = df.fillna('')  # 或使用其他默认值

df.to_excel('output.xlsx', index=False)

2. 数据类型保留

# 保留数据类型
df.to_excel('output.xlsx', index=False)

# 读取时指定类型
df = pd.read_excel('input.xlsx', dtype={'phone': str})

3. 大文件优化

# 使用分块
chunk_size = 10000
for chunk in pd.read_json('large.json', lines=True, chunksize=chunk_size):
    # 处理每个块
    process_chunk(chunk)

4. 错误处理

import pandas as pd
import json

def safe_convert(input_file, output_file):
    try:
        with open(input_file, 'r', encoding='utf-8') as f:
            data = json.load(f)

        df = pd.DataFrame(data)
        df.to_excel(output_file, index=False)

        print(f"成功转换为 {output_file}")
        return True

    except json.JSONDecodeError:
        print("错误：无效的 JSON 文件")
    except Exception as e:
        print(f"错误：{e}")

    return False

# 使用
safe_convert('data.json', 'output.xlsx')

工具比较

| 方法 | 优势 | 劣势 | 最适合 |

|------|------|------|--------|

| 在线工具 | 简单、无需代码 | 文件大小限制、隐私问题 | 小文件、快速任务 |

| Python Pandas | 强大、灵活 | 需要 Python | 大文件、自动化 |

| JavaScript xlsx | Node.js 集成 | 需要 Node.js | Web 应用 |

| 命令行 | 脚本化、快速 | 学习曲线 | 自动化、批处理 |

故障排除

问题：编码错误

# 解决方案：指定编码
with open('data.json', 'r', encoding='utf-8') as f:
    data = json.load(f)

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

问题：嵌套结构

# 使用 json_normalize
df = pd.json_normalize(data, sep='_')

问题：Excel 限制

Excel 限制：

• 最大行数：1,048,576
• 最大列数：16,384

# 检查大小
if len(df) > 1048576:
    # 分割为多个文件
    chunk_size = 1000000
    for i, chunk in enumerate(np.array_split(df, len(df)//chunk_size + 1)):
        chunk.to_excel(f'output_part_{i}.xlsx', index=False)

结论

在 JSON 和 Excel 之间转换数据对于数据分析和协作至关重要。通过掌握这些工具和技术，您可以：

• ✅ 快速转换小文件（在线工具）
• ✅ 自动化大规模转换（Python/JavaScript）
• ✅ 处理复杂的嵌套结构
• ✅ 保持数据完整性
• ✅ 为不同受众格式化数据

推荐

快速一次性转换：

→ 使用在线工具（Big JSON Viewer）

自动化/脚本：

→ 使用 Python Pandas

Web 应用：

→ 使用 JavaScript xlsx

批处理：

→ 使用命令行工具

选择最适合您需求的方法，并始终在敏感数据时考虑隐私和安全性！