在 Python 中，操作 JSON 数据主要包括序列化（将 Python 对象转换为 JSON 格式）和反序列化（将 JSON 字符串转换回 Python 对象）。

以下是使用 Python 内置的 json 模块进行这些操作的基本示例：

JSON 序列化 (Serialization)

将 Python 对象转换成 JSON 字符串：

import json
# 定义一个Python字典或列表等可序列化的对象
data = {    "name": "Alice",    "age": 30,    "hobbies": ["reading", "programming"]}
# 使用 json.dumps() 方法将 Python 对象转为 JSON 字符串
json_string = json.dumps(data)
print(json_string)  # 输出：{"name": "Alice", "age": 30, "hobbies": ["reading", "programming"]}

JSON 反序列化 (Deserialization)

将 JSON 字符串转换成 Python 对象：

import json# 假设我们有一个 JSON 格式的字符串
json_data = '{"name": "Bob", "age": 35, "hobbies": ["guitar", "travel"] }'
# 使用 json.loads() 方法将 JSON 字符串转为 Python 字典
python_obj = json.loads(json_data)print(python_obj)  
# 输出：{'name': 'Bob', 'age': 35, 'hobbies': ['guitar', 'travel']}
# 或者从文件读取 JSON 数据并转换
with open('data.json', 'r') as file:    
    python_obj_from_file = json.load(file)
print(python_obj_from_file)

注意事项：

JSON 仅支持特定的数据类型，如数字、字符串、布尔值、null、数组（对应 Python 中的列表）和对象（对应 Python 中的字典）。Python 中的一些非标准类型（如 None、datetime 对象、自定义类实例等）需要通过特殊方式处理才能正确地序列化和反序列化。

json.dumps() 方法接受额外的参数用于控制序列化过程，例如 ensure_ascii=False 可以输出包含非 ASCII 字符的 JSON 字符串，indent 用于美化输出，设置缩进。

json.load() 和 json.loads() 在遇到不符合 JSON 格式的输入时会抛出 json.JSONDecodeError 异常。

在 Python 进行接口自动化测试时，操作 JSON 数据是常见且关键的步骤。通常情况下，我们会使用 json 模块处理 HTTP 请求中的 JSON 内容，并通过 requests 库发送这些请求到 API 服务器。以下是一个基本示例，展示如何构建和解析 JSON 数据以执行接口测试：

发送带有 JSON 数据的 POST 请求

import requestsimport json
# 定义要发送的JSON数据
payload = {    "username": "testuser",    "password": "testpassword",    "email": "test@example.com"}
# 将Python字典转换为JSON格式字符串
json_payload = json.dumps(payload)
# 设置请求头信息，告诉服务器我们正在发送JSON数据
headers = {'Content-Type': 'application/json'}
# 发送POST请求
response = requests.post('http://example.com/api/login', data=json_payload, headers=headers)
# 检查响应状态码是否正常
if response.status_code == 200:    
    # 如果响应成功，将其内容反序列化为Python对象    
    response_json = response.json()    
    print(response_json)
else:    
    print(f"请求失败，状态码：{response.status_code}")
# 根据需要对响应JSON数据进行断言或进一步处理
assert response_json['status'] == 'success'

解析返回的 JSON 响应

对于从 API 接收到的 JSON 响应，可以使用 response.json() 方法将响应体的内容转化为 Python 字典或列表以便于进行验证。

数据驱动测试

在数据驱动测试场景中，可以从文件读取多个 JSON 记录（例如，每行一个 JSON 对象），然后依次对每个记录执行相同的操作：

with open('test_data.json') as f:    
    test_cases = json.load(f)
for case in test_cases:    
    # 调整请求参数并发送请求    
    response = requests.post('http://example.com/api/endpoint', json=case)    
    # 针对每个测试用例进行相应的断言    
    assert_response(response, case)

这里，test_data.json 文件可能包含多条记录，每一项都是一个待测试的 JSON 数据结构。在循环中，逐个发送请求并根据每个用例的结果进行验证。

json 在接口自动化里的高级使用

在接口自动化测试中，JSON 的高级使用通常涉及到更复杂的数据操作、模式验证以及高效地提取和比较响应数据。以下是一些高级用例：

JsonPath 或 JMESPath 的应用：

使用 jsonpath 或 jmespath 库来从复杂的 JSON 响应中精准提取数据，而无需遍历整个数据结构。

import jsonpath  
# or jmespath for JMESPath
response_json = {"users": [{"name": "Alice", "id": 1}, {"name": "Bob", "id": 2}]}
names = jsonpath.jsonpath(response_json, '$.users[*].name')  # 返回 ['Alice', 'Bob']

JSON Schema 验证：

使用 jsonschema 库对 API 返回的 JSON 响应进行模式匹配验证，确保其符合预定义的结构和约束条件。

from jsonschema import validate, ValidationError
schema = {    "type": "object",    "properties": {        "status": {"type": "string"},        "data": {"type": "array", "items": {"type": "object", "properties": {"id": {"type": "integer"}, "name": {"type": "string"}}}}    },    "required": ["status", "data"]}
response = {"status": "ok", "data": [{"id": 1, "name": "Alice"}]}
try:    
    validate(instance=response, schema=schema)    
    print("Response matches the schema.")
except ValidationError as e:    
    print(f"Validation error: {e}")

动态构建请求体：

更多内容可以学习《测试工程师 Python 工具开发实战》书籍、《大话性能测试 JMeter 实战》书籍

根据需求动态生成或修改 JSON 请求体，例如基于数据库查询结果构造请求参数。

def build_request_body(user_id):    
    user_data = get_user_from_database(user_id)  
    # 假设这是一个获取用户信息的方法    
    request_body = {"user": {"id": user_data["id"], "name": user_data["name"]}}     return request_body
payload = build_request_body(1)
response = requests.post('http://example.com/api/update', json=payload)

---

批量执行与结果分析：

对于大批量的数据交互，可以将多个 JSON 请求组织成一个列表，并利用循环或异步方式发送请求，然后汇总所有响应的结果进行整体评估。

错误处理和容错机制：

对接收到的 JSON 数据进行深度检查，对于非标准格式或异常字段，能够有策略地处理并记录异常。

缓存和复用：

对于一些重复性的数据，如 Token 或者 Header 中的 JWT，可以将其存储起来并在后续请求中复用，提高效率同时保持安全性。

通过以上这些高级技术，可以在接口自动化测试中更好地管理和操纵 JSON 数据，提高测试代码的质量和可维护性。