当前位置:首页 > 文章列表 > 文章 > python教程 > Python自定义JSONDecoder处理NaN与Infinity

Python自定义JSONDecoder处理NaN与Infinity

2026-03-29 08:56:29 0浏览 收藏
Python 的 `json.JSONDecoder` 默认拒绝解析 JSON 标准不支持的 `NaN`、`Infinity` 和 `-Infinity`,但实际开发中常需处理 JavaScript 等环境输出的“类 JSON”字符串;本文深入剖析了两种高效兼容方案——通过 `object_hook` 在解析后智能修正字符串值,或利用 `parse_float` 配合 `strict=False` 在词法解析阶段直接捕获并转换所有特殊浮点字面量,并提醒读者注意编码端的反向兼容陷阱(`JSONEncoder` 同样默认报错),强调真正稳健的实践不是强行绕过标准,而是结合数据清洗、前后端约定与自定义编解码器,在灵活性与可维护性之间取得平衡。

json.JSONDecoder 如何自定义处理 NaN / Infinity / -Infinity

JSONDecoder 默认不支持 NaN 和 Infinity

Python 的 json.JSONDecoder 在解析时遇到 NaN、Infinity 或 -Infinity 会直接报错:ValueError: Invalid value encountered: NaN(或类似提示)。这不是 bug,而是 JSON 标准本身禁止这些值 —— 它们不属于 RFC 7159 合法的 JSON 数字。

但实际中,不少后端(尤其是 JavaScript 环境)会输出带这些值的“类 JSON”字符串。若你必须接收并解析这类输入,就得绕过标准校验。

用 object_hook + float() 强转是最简方案

核心思路:在解析完每个对象(dict)后,遍历其所有字符串值,对匹配 "NaN"、"Infinity"、"-Infinity" 的项尝试用 float() 转换。Python 的 float() 原生支持这些字面量。

示例实现:

import json

def handle_nan_inf(obj): for key, value in obj.items(): if isinstance(value, str): if value in ("NaN", "Infinity", "-Infinity"): obj[key] = float(value) return obj

data = '{"x": "NaN", "y": "Infinity", "z": 42}' result = json.loads(data, object_hook=handle_nan_inf)

result == {'x': nan, 'y': inf, 'z': 42}

  • 仅作用于 dict 层级,不会递归处理嵌套 list 中的字符串;如需全覆盖,改用 object_hook + 深度遍历,或换用 parse_float
  • 注意 float("NaN") 返回的是 float('nan'),它不等于自身(nan == nan 为 False),后续判断要用 math.isnan()
  • 此方式不改变原始 JSON 字符串结构,只在解析后做一次修正,开销小

用 parse_float 捕获所有数字字面量(含非法格式)

parse_float 参数会在 JSON 解析器遇到任何数字 token 时调用,包括那些本该失败的 NaN 字符串 —— 只要它们没被预校验拦住。关键在于:**必须配合 strict=False**,否则解析器在 tokenize 阶段就抛错了。

示例:

import json

def robust_float(s): try: return float(s) except ValueError:

可选:记录未知格式,或返回 None/0

    return float('nan')

data = '{"a": NaN, "b": Infinity}' result = json.loads(data, parse_float=robust_float, strict=False)

result == {'a': nan, 'b': inf}

  • strict=False 是前提,否则 parse_float 根本不会被触发
  • parse_float 接收的是原始 token 字符串(如 "NaN"),不是已解析的数字,所以能捕获非法字面量
  • 它对所有数字位置生效(dict 值、list 元素、嵌套任意深度),比 object_hook 更彻底
  • 副作用:也会处理合法数字字符串(如 "123"),若你的 robust_float 有额外逻辑,需先判断是否为特殊字面量

别忽略 JSONEncoder 的反向兼容问题

能解析 NaN 不代表能原样输出。Python 的 json.JSONEncoder 默认拒绝编码 float('nan'),会报 ValueError: Out of range float values are not JSON compliant。

  • 若需导出,必须自定义 default 或继承 JSONEncoder,例如:default=lambda x: None if math.isnan(x) else x
  • 更常见做法是提前清洗数据:入库/传输前把 nan/inf 替换为 None 或特定哨兵值(如 "__NaN__"),避免序列化阶段出问题
  • 前后端约定比强行兼容更可靠 —— 比如统一用 null 表示缺失,用字符串 "inf" 表示无穷大

真正麻烦的从来不是怎么读进来,而是读进来之后,要不要、以及能不能再安全地写出去。

以上就是《Python自定义JSONDecoder处理NaN与Infinity》的详细内容,更多关于的资料请关注golang学习网公众号!

百词斩vs扇贝vs墨墨,哪个背单词好?百词斩vs扇贝vs墨墨,哪个背单词好?
上一篇
百词斩vs扇贝vs墨墨,哪个背单词好?
RedisLua实现红包算法解析
下一篇
RedisLua实现红包算法解析
查看更多
最新文章
查看更多
课程推荐
  • 前端进阶之JavaScript设计模式
    前端进阶之JavaScript设计模式
    设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
    543次学习
  • GO语言核心编程课程
    GO语言核心编程课程
    本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
    516次学习
  • 简单聊聊mysql8与网络通信
    简单聊聊mysql8与网络通信
    如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
    500次学习
  • JavaScript正则表达式基础与实战
    JavaScript正则表达式基础与实战
    在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
    487次学习
  • 从零制作响应式网站—Grid布局
    从零制作响应式网站—Grid布局
    本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
    485次学习
查看更多
AI推荐
  • PubMedQA数据集详解:生物医学问答基准、功能与应用指南
    PubMedQA
    深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
    293次使用
  • H2O EvalGPT:开源LLM大模型评估与排行榜工具
    H2O EvalGPT
    H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
    346次使用
  • LMArena是什么?伯克利AI模型评估平台使用指南与功能解析
    LMArena
    LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
    352次使用
  • 斯坦福HELM:大语言模型Holistic Evaluation整体评估框架详解
    HELM
    深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
    315次使用
  • MMBench详解:多模态大模型基准测试、功能特点与使用指南
    MMBench
    MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
    135次使用
微信登录更方便
  • 密码登录
  • 注册账号
登录即同意 用户协议 和 隐私政策
返回登录
  • 重置密码