LangChain教程：JsonOutputParser JSON输出解析器

作者：马育民 • • 阅读：10051

介绍

JsonOutputParser 是 LangChain 结构化输出解析器的核心，核心作用是：

  1. 强制模型输出合法的 JSON 字符串（通过提示词引导）；
  2. 自动将 JSON 字符串解析为 Python 字典，无需手动调用 json.loads()；
  3. 基础格式校验：如果模型输出非合法 JSON，会抛出明确的解析错误，便于排查。

它是连接 “自然语言输出” 和 “结构化数据使用” 的核心工具，比纯文本解析更适配工程化场景（如数据存储、接口返回、逻辑计算）。

使用

创建对象

jop = JsonOutputParser()

串联使用

串联模板、模型、json输出解析器（| 运算符）：

chain = few_shot_prompt | model | jop

调用大模型

因为要将结果转成json，所以要获取到全部返回结果才能转换，所以不能用流式输出，否则格式错乱，所以要使用 invoke() 方法

resp = chain.invoke({"name": "iphone11"})

案例

from langchain_core.prompts import FewShotPromptTemplate, PromptTemplate
from langchain_community.chat_models.tongyi import ChatTongyi
from langchain_core.output_parsers import JsonOutputParser
from dotenv import load_dotenv

# 第一步：定义示例模板（告诉 AI 示例的格式）
example_template = """
名称：{name}
屏幕：{screen}
CPU：{cpu}
5G：{5G}
"""

example_prompt = PromptTemplate.from_template(example_template)

# 第二步：准备示例（列表+字典格式，每个字典是一个示例）
examples = [
    {"name": "iPhone 17 Pro Max", "screen": "6.9英寸", "cpu": "A19 Pro（3纳米制程）", "5G": "支持"}
]

# 第三步：1.定义开头的引导语
prefix = "请按照以下格式返回指定手机的配置（参考示例格式）："
# 第三步：2.定义问AI的问题
# ※※※必须明确指出输出格式※※※
suffix = "现在请生成 {name} 的手机配置，必须严格按照指定格式输出JSON："

# 第四步：组装 FewShotPromptTemplate
few_shot_prompt = FewShotPromptTemplate(
    prefix=prefix,              # 开头的引导语
    example_prompt=example_prompt,  # 示例的格式模板
    examples=examples,          # 要展示给 AI 的示例
    suffix=suffix,              # 问AI的问题（包含动态变量）
    input_variables=["name"],   # 最终要传入的动态变量（这里是城市名）
)

# 加载 .env 文件，并放入到环境变量中
load_dotenv()

# 创建模型对象
model = ChatTongyi(model="qwen-max")

# 创建 json输出解析器
jop = JsonOutputParser()

# 串联模板、模型、json输出解析器（| 运算符）
chain = few_shot_prompt | model | jop

# 因为要将结果转成json，所以要获取到全部返回结果才能转换，所以不能用流式输出，否则格式错乱
resp = chain.invoke({"name": "iphone11"})

print("---------大模型回答--------------------")
print("res类型", type(resp))
print(resp)
关键代码解释

必须明确指出输出格式，否则AI返回的不是 JSON格式，转换会失败

suffix = "现在请生成 {name} 的手机配置，必须严格按照指定格式输出JSON："
执行结果
---------大模型回答--------------------
res类型 <class 'dict'>
{'名称': 'iPhone 11', '屏幕': '6.1英寸', 'CPU': 'A13 Bionic（7纳米制程）', '5G': '不支持'}

在 Python 中，转成 JSON，实际上是转成 dict字典类型

流式输出

下面是流式输出，输出的格式是错乱的，放在下面：

# 调用链（自动渲染模板 + 调用模型）
resp = chain.stream({"name": "iphone11"})

print("---------大模型回答--------------------")

print("res类型", resp)
print(resp)
for chunk in resp:
    print(chunk, end="", flush=True)
输出内容
{}
{'名称': 'iPhone'}
{'名称': 'iPhone 11'}
{'名称': 'iPhone 11', '屏幕': '6.1'}
{'名称': 'iPhone 11', '屏幕': '6.1英寸'}
{'名称': 'iPhone 11', '屏幕': '6.1英寸', 'CPU': 'A13 Bionic'}
{'名称': 'iPhone 11', '屏幕': '6.1英寸', 'CPU': 'A13 Bionic（7纳米制程'}
{'名称': 'iPhone 11', '屏幕': '6.1英寸', 'CPU': 'A13 Bionic（7纳米制程）'}
{'名称': 'iPhone 11', '屏幕': '6.1英寸', 'CPU': 'A13 Bionic（7纳米制程）', '5G': '不支持'}

常见问题 & 避坑要点

模型输出非JSON导致解析失败

在系统提示中强调“必须输出合法JSON，不能有多余文字”；

中文key/值解析乱码

LangChain 已适配，无需额外处理，确保模型输出的JSON包含中文即可；

输出包含多余文字（如“好的，结果如下：{…}”）

在提示词中明确要求“只输出JSON，不要添加任何额外解释、说明文字”。

总结

  1. 核心作用：JsonOutputParser 把模型输出的 JSON 字符串转为 Python 字典，实现“自然语言→结构化数据”的转换；
  2. 使用关键：必须在提示词中加入 format_instructions，强制模型输出合法 JSON；
  3. 进阶优化：搭配 Pydantic 模型可实现字段类型/描述的强约束，适配生产环境；
  4. 避坑核心：降低模型随机性（temperature=0），明确提示“仅输出JSON，无多余文字”。

JsonOutputParser 是工程化开发中最常用的解析器之一，只要需要将模型输出用于数据处理、接口返回等场景，它都是首选工具。

原文出处：/show_1GW2qlOteOee.html

吉ICP备15003043号