是，用 json.load() 直读大文件会爆内存，因需一次性加载整个嵌套结构；应改用 ijson 流式解析或逐行处理 JSONL，配合安全取值、类型断言及增量更新策略。
用 json.load() 直读大文件会爆内存？别硬扛
直接调 json.load() 读几百MB以上的嵌套JSON，大概率触发 MemoryError 或让系统卡死——它必须把整个树结构一次性载入内存构建嵌套字典/列表。真实场景里，你往往只关心其中某几层字段（比如所有 "user.id" 或某个 "events" 数组里的时间戳），没必要全加载。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 优先改用流式解析：用
ijson库按需提取路径，例如ijson.parse()或ijson.items(file, 'records.item') - 如果数据是 JSON Lines（每行一个 JSON 对象），直接逐行用
json.loads(line)，不占额外内存 - 确认文件是否真为单个巨型 JSON：用
head -c 200 large.json看开头，如果是{开头、结尾才}，才是单对象；如果是{每行一个，就该当 JSONL 处理
嵌套太深，data['a']['b']['c']['d'] 写到崩溃？用安全取值
手动链式访问嵌套字典，只要中间某层是 None 或缺 key，立刻抛 KeyError 或 TypeError。尤其原始数据字段可能缺失、类型不一致（比如有时是 dict，有时是 null）。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 写个简短辅助函数，比如
get_nested(data, 'user.profile.address.city', default='N/A')，内部用reduce(lambda d, k: d.get(k) if isinstance(d, dict) else None, keys, data) - 避免用
eval()或exec()拼路径字符串——不安全且难调试 - 对关键路径做类型断言：取到
city后，显式检查isinstance(city, str)，比后期报错更早暴露数据脏
需要修改并保存回嵌套结构？别用 json.dump() 硬覆盖
原文件几十MB，你只改了三处字段，却用 json.dump() 把整个内存对象重写一遍，IO 开销大、易出错、没增量概念。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 若只是小范围更新，考虑用
jq命令行工具配合 Python 调用：subprocess.run(['jq', '.user.active = true', 'input.json'], ...)，它原地流式处理，不加载全文 - 如果必须用 Python 写回，先用
json.dumps(obj, separators=(',', ':'))去掉空格，减少体积；再用pathlib.Path('out.json').write_text(...)替代open().write()，省去编码参数纠结 - 永远备份原文件：用
shutil.copy2(input_path, f'{input_path}.bak')，保留修改时间
用 pandas.read_json() 扁平化时字段名撞车？得提前展平
pandas.read_json() 对深度嵌套默认只展开一层，遇到 {"user": {"id": 1, "tags": ["a","b"]}}，会生成列 user（值为 dict），不是你想要的 user.id 和 user.tags。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 用
pd.json_normalize(data, sep='.')，它专为嵌套设计，sep='.'生成user.id这样的扁平列名 - 若含数组字段（如
"orders": [{"id":1}, {"id":2}]），加参数record_path='orders'提取为独立 DataFrame，再用meta带上父级字段 - 注意
json_normalize不支持流式，仍需先加载进内存——大文件慎用，先用ijson抽出目标片段再归一化
print(type(data.get('user', {}))，比硬猜结构省两小时。 
