Gibt es eine Möglichkeit, JSON in CSV umzuwandeln? Ja — 5 Wege, wählen Sie nach Ihrer Situation (Anleitung 2026)

Die Mitarbeiterdatei, an der jeder Weg unten getestet wird

Die meisten Umwandlungsanleitungen beschreiben jede Methode abstrakt, was sie unvergleichbar macht. Diese Anleitung macht das Gegenteil: Jeder Weg unten läuft mit derselben Datei aus drei Datensätzen, sodass die Ausgaben direkt vergleichbar sind. Die Datei ist klein, aber nicht trivial — sie enthält ein verschachteltes Objekt (dept mit team und floor), eine Liste (skills) und die beiden Randfälle, die bei echten Umwandlungen Probleme bereiten: einen booleschen Wert (active) und eine leere Liste (Lina hat keine Skills).

Wenn eine Methode diese Datei nicht sauber verarbeiten kann, wird sie auch Ihre echte Datei nicht verarbeiten können. Wenn sie es kann, wissen Sie genau, wie ihre Ausgabe aussieht, bevor Sie ihr etwas Größeres anvertrauen. Behalten Sie die Datei beim Lesen im Kopf: Die korrekte Antwort hat sechs Spalten (id, name, dept.team, dept.floor, skills, active) und drei Zeilen, wobei Anas Skills-Zelle chat; phone lautet und Linas Skills-Zelle leer ist.

[
  { "id": 1, "name": "Ana", "dept": { "team": "Support", "floor": 2 }, "skills": ["chat", "phone"], "active": true },
  { "id": 2, "name": "Ken", "dept": { "team": "Sales", "floor": 3 }, "skills": ["email"], "active": false },
  { "id": 3, "name": "Lina", "dept": { "team": "Support", "floor": 2 }, "skills": [], "active": true }
]

Weg 1: ein Online-Konverter — der Weg ohne Installation

Öffnen Sie einen kostenlosen Online-Konverter für JSON zu CSV, fügen Sie das JSON ein oder laden Sie die Datei hoch, und laden Sie die CSV herunter. Das ist die ganze Methode, und für eine einmalige Datei ist sie die richtige: Es gibt nichts zu installieren, nichts zu lernen, und das Ergebnis ist in unter einer Minute bereit. Der Konverter auf dieser Website läuft vollständig in Ihrem Browser, sodass die Datei Ihren Rechner nie verlässt, und sein Abflachungs-Schalter entscheidet, wie verschachtelte Daten behandelt werden.

Bei eingeschaltetem Abflachen wird die Mitarbeiterdatei in genau die oben genannte Sechs-Spalten-Antwort umgewandelt: dept wird zu dept.team und dept.floor, die Skills-Liste wird mit einem Semikolon als Trennzeichen zu einer Zelle verbunden, und Linas leere Liste wird zu einer leeren Zelle. Bei ausgeschaltetem Abflachen behält dieselbe Datei dept und skills als JSON-Text in einzelnen Zellen — gültiges CSV, aber keine Tabelle, die Sie sortieren oder filtern können. Unsere frühere Anleitung zum Abflachen von JSON zu CSV dokumentiert den Schalter Zelle für Zelle, einschließlich seiner Randfälle.

Die ehrlichen Grenzen: Ein Online-Konverter ist ein Werkzeug für eine Datei nach der anderen. Wenn Sie jeden Morgen fünfzig Dateien umwandeln müssen oder die Umwandlung innerhalb eines anderen Programms stattfinden muss, passt einer der Wege unten besser. Und wenn Ihre Liste selbst das ist, was Sie analysieren möchten — eine Zeile pro Skill, nicht eine Zeile pro Person — dann leistet das kein Online-Konverter; Sie brauchen das Explodieren-Rezept in unserer Anleitung zum Abflachen der JSON-Daten.

id,name,dept.team,dept.floor,skills,active
1,Ana,Support,2,chat; phone,true
2,Ken,Sales,3,email,false
3,Lina,Support,2,,true

Weg 2: die Tabellenkalkulation, die Sie bereits besitzen — Excel Power Query

Wenn die CSV ohnehin in einer Tabellenkalkulation landen soll, brauchen Sie vielleicht gar keinen Konverter: Excel kann JSON direkt über Power Query lesen. Öffnen Sie eine leere Arbeitsmappe, gehen Sie zu Daten, Daten abrufen, Aus Datei, Aus JSON, wählen Sie die Datei, und Power Query zeigt Ihnen die Datensätze. Erweitern Sie die Spalte dept, um das verschachtelte Objekt in die Spalten team und floor abzuflachen, erweitern oder extrahieren Sie die Spalte skills, je nachdem, ob Sie eine Zeile pro Skill oder eine verbundene Zelle möchten, und klicken Sie dann auf Schließen und laden. Das Ergebnis landet als echte Excel-Tabelle, bereit zum Filtern und für Pivot-Tabellen.

Zwei Dinge, die Sie vor dem Start wissen sollten. Erstens: Der Erweiterungsschritt erfolgt pro verschachtelter Spalte: Eine Datei mit drei Verschachtelungsebenen braucht drei Erweiterungen, und es ist leicht, eine zu übersehen und mit einer Spalte voller Record-Werte zu enden. Zweitens: Das Öffnen einer fertigen CSV in Excel hat eigene Fallstricke — eine UTF-8-Datei kann mit verstümmelten Zeichen geöffnet werden, und ein Wert wie 007 kann seine führende Null verlieren — weshalb unsere Anleitung zur Erstellung von CSV aus JSON die Gewohnheit des Prüfens durch erneuten Import behandelt: Öffnen Sie das Ergebnis, prüfen Sie die Zeichen, prüfen Sie die Codes, und nennen Sie es erst dann fertig.

Google Sheets ist die eine Lücke bei diesem Weg. Sheets hat keinen nativen JSON-Import: Es gibt keine Option Datei, Importieren, JSON. Die praktischen Wege sind, zuerst über einen Online-Konverter einzufügen, oder ein kleines Apps Script, das das JSON abruft und parst. Wenn Sie bereits in Sheets arbeiten, ist der Konverter-Weg schneller; wenn sich der Import täglich wiederholen muss, gewinnt der Script-Weg.

Weg 3: Code, den Sie bereits ausführen — Python oder jq

Wenn Sie bereits Code schreiben, sind Python und jq die beiden Arbeitstiere, und sie unterscheiden sich in einer lehrreichen Hinsicht. Pythons pandas json_normalize flacht verschachtelte Objekte automatisch in Spalten in Punktnotation ab — dept wird ohne zusätzlichen Schritt zu dept.team und dept.floor — lässt Listen aber als Python-repr-Zeichenketten stehen, sofern Sie sie nicht selbst verbinden. Wenn Sie es ohne das Verbinden ausführen, liest sich Anas Skills-Zelle wie eine als Text ausgegebene Liste, nicht wie ein verwendbarer Wert. Die einzeilige Verbindungs-Korrektur steht im Snippet unten, und die Ausgabe stimmt danach genau mit dem Online-Konverter überein.

jq geht den entgegengesetzten Weg: Es macht nichts automatisch, und jede Spalte ist explizit. Sie benennen jedes Feld, Sie wählen das Verbinden, und Sie erhalten genau die Kopfzeile, die Sie geschrieben haben. Diese Explizitheit ist die echte Stärke von jq für einmalige Umwandlungen umständlicher Dateien und seine Schwäche bei breiten Dateien — ein Datensatz mit vierzig Feldern bedeutet vierzig Ausdrücke. Für die Mitarbeiterdatei erzeugen beide Werkzeuge dieselben sechs Spalten und drei Zeilen, und das ist der Punkt: Der Weg ändert sich, die korrekte Antwort nicht.

Noch ein Python-Hinweis für den wiederkehrenden Fall: json_normalize plus explode verwandelt eine Liste in eine Zeile pro Element, und das ist der Explodieren-Schritt, den kein Online-Konverter bietet. Wenn Ihre Analyse eine Zeile pro Skill braucht, ist das das Rezept — es wird vollständig, mit einem verifizierten jq-Äquivalent, in unserer Anleitung zum Abflachen der JSON-Daten behandelt.

import json
import pandas as pd

rows = json.load(open('staff.json'))
df = pd.json_normalize(rows)
df['skills'] = df['skills'].apply(lambda v: '; '.join(v))
df.to_csv('staff.csv', index=False)

# staff.csv:
# id,name,skills,active,dept.team,dept.floor
# 1,Ana,chat; phone,True,Support,2
# 2,Ken,email,False,Sales,3
# 3,Lina,,True,Support,2

Weg 3, Fortsetzung: der jq-Einzeiler

Die jq-Version derselben Umwandlung ist ein einziger Befehl. Die Kopfzeile wird von Hand ausgeschrieben, dann wird jeder Datensatz auf eine Zeile abgebildet: Die verschachtelten Felder werden mit Punkten angesprochen (dept.team), die Liste wird mit einem Semikolon verbunden, und @csv übernimmt das Zitieren. Wenn Sie ihn auf die Mitarbeiterdatei ausführen, erhalten Sie dieselben drei Zeilen wie bei der Python-Version, mit einem kosmetischen Unterschied: jq setzt jeden Zeichenkettenwert in Anführungszeichen, sodass die Kopfzeile "id","name",... lautet statt id,name,.... Beides ist gültiges CSV; jede Tabellenkalkulation und jeder Parser liest sie identisch.

jq verdient seinen Platz aus einem zweiten Grund: Es funktioniert bei Dateien, die zu groß sind, um sie in einem Editor zu öffnen. Der Einzeiler oben lädt die ganze Datei in den Arbeitsspeicher, was für alles bis zu einigen zehn Megabyte in Ordnung ist, aber jq hat auch einen Streaming-Modus (das Flag --stream), der eine Datei Datensatz für Datensatz verarbeitet. Wenn Ihre JSON-Datei Hunderte von Megabyte groß ist, ist Streaming-jq oder ein in Blöcken arbeitendes Python-Skript der Weg; ein Browser-Tab ist es nicht.

jq -r '(["id","name","dept.team","dept.floor","skills","active"] | @csv),
  (.[] | [.id, .name, .dept.team, .dept.floor, (.skills | join("; ")), .active] | @csv)' staff.json

# "id","name","dept.team","dept.floor","skills","active"
# 1,"Ana","Support",2,"chat; phone",true
# 2,"Ken","Sales",3,"email",false
# 3,"Lina","Support",2,"",true

Weg 4: Ihr Editor — VS Code

Wenn Sie bereits in VS Code leben, kann die Umwandlung stattfinden, ohne den Editor zu verlassen. Der schnellste Weg ist das integrierte Terminal: Öffnen Sie den Ordner, öffnen Sie ein Terminal in VS Code, und führen Sie den Python- oder jq-Befehl aus Weg 3 aus — die Ausgabe-CSV erscheint im selben Ordner, und VS Code Excel-Viewer-Erweiterungen oder die integrierte Vorschau lassen Sie sie sofort prüfen. Für Menschen, die Klicks gegenüber Befehlen bevorzugen, wandeln Erweiterungen wie Rainbow CSV oder eine JSON-zu-CSV-Erweiterung die geöffnete Datei über die Befehlspalette um.

Der echte Vorteil des Editor-Weges ist die Iteration: Wenn das JSON eine Konfigurationsdatei oder eine API-Antwort ist, die Sie bereits bearbeiten, hält die Umwandlung an Ort und Stelle Sie im Kontext, und die Diff-Ansicht des Editors zeigt Ihnen genau, was sich geändert hat. Die vollständige Anleitung — Erweiterung, Terminal und ein Auftrag mit einem Tastendruck — steht in unserer VS Code-Anleitung, einschließlich der Fallstricke (eine Erweiterung, die verschachtelte Daten in Zeichenketten verwandelt, ein Terminal, das in den falschen Ordner schreibt). Die Kurzversion: VS Code ist ein guter Ort zum Umwandeln, aber die Umwandlung selbst ist immer noch einer der anderen Wege im Editor-Kostüm.

Weg 5: in Ihrer eigenen App — ein Bibliotheksaufruf

Der fünfte Weg ist für den Fall gedacht, dass die Umwandlung keine einmalige Aufgabe ist, sondern Teil von etwas, das Sie bauen: ein Dashboard-Export-Button, ein nächtlicher Bericht, eine Daten-Pipeline. Dann greifen Sie überhaupt nicht zu einem Werkzeug — Sie rufen eine Funktion auf. Das Snippet unten ist der Kern davon in JavaScript: Gehen Sie die Spaltennamen in Punktnotation durch, verbinden Sie Listenwerte, maskieren Sie alles, was ein Komma, ein Anführungszeichen oder einen Zeilenumbruch enthält, indem Sie die Anführungszeichen verdoppeln und die Zelle umschließen. Wenn Sie es auf die Mitarbeiterdatei ausführen, erzeugt es genau dieselben Zeilen wie der Online-Konverter, was kein Zufall ist: Die Konverter-Engine dieser Website ist dieselbe Idee, wobei die Randfälle (unregelmäßige Zeilen, verschachtelte Listen, leere Objekte) behandelt werden.

Die Entscheidung hier lautet Bauen gegen Ausleihen, und die ehrliche Antwort ist meist Ausleihen: pandas json_normalize, eine CSV-Bibliothek in Ihrer Sprache oder das Konverter-Engine-Muster unten schlagen eine handgeschriebene Version bei Randfällen. Schreiben Sie nur dann selbst, wenn die Umwandlung Regeln hat, die keine Bibliothek bietet — ein benutzerdefiniertes Abflachungsschema, ein domänenspezifisches Verbinden, eine Streaming-Anforderung. Und wenn die Umwandlung auf einem Server läuft, denken Sie an den Datenschutzunterschied: Ein Browser-Konverter behält die Datei auf dem Rechner des Nutzers, während ein Server-Konverter die Daten sieht.

const rows = require('./staff.json');
const cols = ['id', 'name', 'dept.team', 'dept.floor', 'skills', 'active'];
const get = (r, p) => p.split('.').reduce((o, k) => o?.[k], r);
const esc = v => { const s = String(v ?? '');
  return /[",\n]/.test(s) ? '"' + s.replace(/"/g, '""') + '"' : s; };
console.log(cols.join(','));
for (const r of rows)
  console.log(cols.map(c => esc(c === 'skills' ? (get(r, c) || []).join('; ') : get(r, c))).join(','));

# id,name,dept.team,dept.floor,skills,active
# 1,Ana,Support,2,chat; phone,true
# 2,Ken,Sales,3,email,false
# 3,Lina,Support,2,,true

Wenn es keinen guten Weg gibt

Eine Anleitung, die nur Ja sagt, würde durch Auslassung lügen, denn es gibt Dateien, bei denen die Umwandlung in CSV der falsche Schritt ist, und das zu wissen spart mehr Zeit als jedes Werkzeug. Der erste Fall sind tief verschachtelte oder graphförmige Daten: ein Kommentar-Thread, in dem Kommentare Antworten enthalten, die Antworten enthalten, oder Datensätze, die aufeinander verweisen. Das Abflachen in Spalten erzeugt entweder Hunderte von dünn besetzten Spalten oder eine verlustbehaftete Zusammenfassung, und die ehrliche Antwort lautet, es als JSON zu behalten oder es mit jq abzufragen, statt es abzuflachen.

Der zweite Fall sind gemischte Schemas: eine Datei, in der ein Datensatz Schlüssel hat, die den anderen fehlen, oder derselbe Schlüssel in einem Datensatz eine Zeichenkette und in einem anderen ein Objekt enthält. Ein Konverter behandelt dies, indem er die Vereinigung aller Schlüssel nimmt und leere Zellen lässt, was korrekt, aber oft nutzlos ist — die resultierende Tabelle besteht größtenteils aus Lücken. Bevor Sie umwandeln, fragen Sie, ob die Datensätze wirklich dieselbe Art von Ding sind; wenn nicht, teilen Sie die Datei zuerst nach Datensatztyp auf und wandeln dann jeden Teil um.

Der dritte Fall ist die Größe: eine Datei, die zu groß für das jeweilige Werkzeug ist. Ein Browser-Konverter gerät irgendwo bei einigen zehn Megabyte ins Stocken, ein Editor-Import bleibt hängen, und selbst pandas wird langsam. Die Lösung ist kein besserer Konverter, sondern eine andere Form: Teilen Sie die Datei, streamen Sie sie mit jq --stream, oder überspringen Sie CSV ganz und behalten Sie die Daten als JSON Lines (ein JSON-Objekt pro Zeile), die natürlich streamen und abfragbar bleiben. Unsere Anleitung zur Umwandlung großer JSON-Dateien in CSV online behandelt die Größenfrage vollständig.

Welchen Weg sollten Sie wählen?

Wählen Sie nach Ihrer Situation, nicht nach dem Ruf des Werkzeugs. Eine Datei, einmal, und Sie möchten fertig werden: Weg 1, der Online-Konverter. Das Ergebnis muss in einer Tabellenkalkulation landen, in der Sie weiterarbeiten werden: Weg 2, Power Query. Sie schreiben bereits Code und die Datei ist umständlich oder die Umwandlung wird sich wiederholen: Weg 3, Python oder jq. Sie bearbeiten die Datei bereits in VS Code: Weg 4, das integrierte Terminal. Die Umwandlung muss innerhalb von Software stattfinden, die Sie ausliefern: Weg 5, ein Bibliotheksaufruf.

Zwei Entscheidungshilfen klären die meisten übrigen Fälle. Wenn Datenschutz wichtig ist — die Datei enthält Kundendaten, Zugangsdaten, alles, was Sie nicht per E-Mail senden würden — bevorzugen Sie einen Weg, der die Daten auf Ihrem Rechner behält: einen Browser-Konverter, ein lokales Skript oder Ihren Editor. Wenn die Datei riesig ist, bevorzugen Sie einen Weg, der streamt: jq --stream oder ein in Blöcken arbeitendes Python-Skript, kein Browser-Tab. Alles andere ist Geschmack und Gewohnheit, und jeder der fünf Wege erzeugt für eine gut geformte Datei dieselbe korrekte CSV.

Was jeder Weg entscheiden muss

Welchen Weg Sie auch wählen, vier Entscheidungen verstecken sich darin, und zwei Dateien, die mit unterschiedlichen Antworten darauf umgewandelt wurden, sind nicht dieselbe CSV. Abflachen: Werden verschachtelte Objekte zu Spalten in Punktnotation oder bleiben sie als JSON-Text in einer Zelle? Trennzeichen: Komma, Semikolon, Tab oder Pipe — und erwartet Ihre Tabellenkalkulation dasselbe? Kopfzeile: Sind Spaltennamen enthalten, und sind es die Namen, die Ihr nachgelagertes Werkzeug erwartet? Kodierung: Reines UTF-8, und öffnet Ihre Tabellenkalkulation sie als UTF-8 oder als etwas anderes?

Das sind keine fortgeschrittenen Themen; es sind die Entscheidungen, die bestimmen, ob die CSV beim ersten Versuch oder erst beim fünften korrekt geöffnet wird. Unsere Anleitung zur Erstellung von CSV aus JSON geht alle sieben Entscheidungen durch, die Rohdaten in eine funktionierende Datei verwandeln, wobei jede gegen den echten Konverter getestet wurde. Lesen Sie sie einmal, und jede Umwandlung danach wird schneller.

Verwandte Anleitungen

• JSON in CSV umwandeln: 3 zuverlässige Methoden (Anleitung 2026) →
• Wie wandle ich JSON in VS Code in CSV um? 4 Wege, vom Klick bis zum Tastendruck (Anleitung 2026) →
• How to Flatten the JSON Data: Explodieren, Verbinden oder Verschachtelt Lassen (Anleitung 2026) →
• JSON to CSV online umwandeln: In diesem Tab in 30 Sekunden erledigt (Anleitung 2026) →
• json to csv converter download: Was Sie wirklich herunterladen sollten (Anleitung 2026) →
• Convert Large JSON to CSV Online Free: Wie groß darf die Datei sein? (Anleitung 2026) →
• Was ist eine JSON- und CSV-Datei? Ein Einstiegsguide zu beiden Formaten (Anleitung 2026) →
• What Does Flattening a JSON Mean? Der Begriff erklärt (Anleitung 2026) →
• what is JSON to CSV online? Die drei Wörter erklärt (Anleitung 2026) →
• what is JSON to CSV converter online? Die Anatomie des Tools (Anleitung 2026) →
• convert json to csv locally: JSON auf dem eigenen Rechner in CSV umwandeln (Anleitung 2026) →
• Welche Möglichkeiten gibt es, JSON lokal in CSV umzuwandeln? 6 Methoden im Vergleich (Anleitung 2026) →
• CSV in einer Spalte: Warum Ihre CSV in Excel in einer Spalte landet und wie Sie das beheben (Anleitung 2026) →
• Warum Ihre CSV in Excel falsch dargestellt wird und wie Sie die Kodierung beheben (Anleitung 2026) →
• Warum Excel die führenden Nullen Ihrer CSV-Codes entfernt und wie Sie sie behalten (Anleitung 2026) →
• Excel ändert Datum in CSV: Tag und Monat vertauscht – so bleiben Ihre Daten richtig (Anleitung 2026) →
• Warum Excel Ihre CSV beim Speichern verändert und wie Sie das Original schützen (Anleitung 2026) →
• CSV-Datei zu groß für Excel: Warum Excel Ihre große CSV-Datei nicht öffnet und was Sie stattdessen tun (Anleitung 2026) →

Häufig gestellte Fragen