Conversor online gratuito de JSON para SAV

O que é o formato JSON

JSON é um formato de texto UTF-8 composto por objetos, arrays, strings, números, valores booleanos e valores nulos. Aplicações web, APIs REST, pipelines de dados, bancos de dados NoSQL e ferramentas de exportação de bancos de dados geralmente criam arquivos JSON; um conjunto de dados típico é um array de objetos, como um objeto por respondente ou transação.

JSON não exige que todos os objetos tenham os mesmos campos, e os campos podem conter objetos ou arrays aninhados. Essa flexibilidade é útil para intercâmbio, mas não corresponde diretamente ao modelo retangular de linhas e colunas esperado por softwares estatísticos.

O que é o formato SAV

SAV é o formato de dados do sistema IBM SPSS Statistics. Ele armazena registros retangulares juntamente com metadados, como nomes de variáveis, rótulos de variáveis, rótulos de valores, níveis de medição, definições de valores ausentes, formatos e codificações de caracteres.

SPSS, PSPP, pacotes do R, como haven, e bibliotecas Python baseadas em ReadStat podem ler arquivos SAV. SAV é adequado quando o destinatário precisa de metadados compatíveis com SPSS ou de análise estatística, em vez de uma exportação de texto legível por humanos; não é um formato de banco de dados relacional de uso geral.

Como converter JSON para SAV na prática

Converter com Python

Python é a opção mais controlável quando o JSON contém arrays, campos aninhados, valores nulos, datas ou valores que precisam de limpeza de tipos. Instale os pacotes necessários:

python -m pip install pandas pyreadstat

Salve o código a seguir como json_to_sav.py. Ele espera um array JSON no nível superior ou um objeto que contenha um array records.

import json
import pandas as pd
import pyreadstat

with open("input.json", encoding="utf-8") as file:
    data = json.load(file)

if isinstance(data, dict) and isinstance(data.get("records"), list):
    data = data["records"]

if not isinstance(data, list) or not all(isinstance(row, dict) for row in data):
    raise ValueError("Expected a JSON array of objects or an object with a records array")

df = pd.json_normalize(data, sep="_")
pyreadstat.write_sav(df, "output.sav")

Execute-o com:

python json_to_sav.py

pd.json_normalize transforma caminhos aninhados em nomes de colunas, como address_city. Se o JSON usar outra chave de agrupamento, substitua records por essa chave. Se ele contiver um único objeto em vez de registros, identifique quais propriedades representam linhas antes de converter.

Converter sem instalar software

Você pode converter o arquivo gratuitamente no site 101convert.com, enviando o JSON, escolhendo SAV como formato de saída e baixando o arquivo gerado. Inspecione o resultado no SPSS ou PSPP, especialmente quando a origem contiver dados aninhados ou tipos mistos.

Considerações sobre qualidade e compatibilidade

• A planificação é uma decisão relacionada aos dados: objetos aninhados tornam-se colunas separadas, enquanto arrays exigem uma regra, como uma linha por item do array, texto concatenado ou tabelas relacionadas separadas. Um conversor não consegue inferir a estrutura relacional correta em todos os casos.
• Tipos JSON mistos precisam de limpeza: uma coluna contendo números, strings e valores nulos pode se tornar uma variável de caracteres ou perder valores durante a inferência de tipos. Converta cada coluna deliberadamente no pandas antes de gravar o arquivo SAV.
• Datas não são automaticamente datas estatísticas: analise strings de data ISO e atribua a representação de data ou data e hora do SPSS pretendida se forem necessários cálculos com datas. Caso contrário, elas permanecerão como colunas comuns de caracteres.
• Metadados geralmente estão ausentes no JSON: rótulos de variáveis, rótulos de valores, níveis de medição e valores ausentes definidos pelo usuário devem ser fornecidos separadamente. A conversão preserva os valores com mais confiabilidade do que consegue reconstruir o significado estatístico.
• Verifique os nomes e os comprimentos: use nomes de colunas simples e exclusivos, compatíveis com a versão de destino do SPSS. Nomes longos, pontuação, chaves duplicadas e nomes que começam com caracteres não compatíveis podem ser alterados ou rejeitados.
• Valide a saída: reabra output.sav com SPSS, PSPP ou pyreadstat.read_sav e compare as contagens de linhas e colunas, o tratamento de valores nulos, os valores de data e registros representativos com o JSON de origem.