JSON aus Text extrahieren
JSON aus Text extrahieren: Das Werkzeug holt JSON aus einer KI-Antwort, entfernt Codeblock und Begleittext und repariert abgeschnittenes oder fehlerhaftes JSON.
Alles läuft in Ihrem Browser. Eingaben verlassen Ihr Gerät nicht.
JSON aus Modellantworten herauslösen
Mit diesem Werkzeug können Sie JSON aus Text extrahieren, wie er typischerweise von Sprachmodellen kommt. Statt nur das gewünschte Objekt zu liefern, schreibt ein Modell oft einen Einleitungssatz, packt das JSON in einen Markdown-Codeblock oder hängt eine Erklärung an. Ein einfaches JSON.parse scheitert dann mit einem JSON.parse Fehler wie „Unexpected token“. Das Werkzeug sucht zuerst nach Codeblöcken, dann nach dem ersten vollständigen Objekt oder Array im Text, und listet alle Fundstellen als Kandidaten auf. So müssen Sie keinen Codeblock entfernen, sondern übernehmen direkt nur das JSON aus der KI-Antwort.
Anschließend repariert es häufige Fehler: Kommentare, Kommas vor schließenden Klammern, einfache statt doppelte Anführungszeichen, typografische Anführungszeichen, Schlüssel ohne Anführungszeichen, Python-Werte wie True, False und None sowie NaN. Ein abgeschnittenes JSON, das wegen des Ausgabelimits mitten im Text endet, wird geschlossen: Offene Zeichenketten, Arrays und Objekte erhalten ihre Endzeichen, ein halber letzter Eintrag wird entfernt. Jede Änderung erscheint in der Liste „Reparaturen“, damit Sie die LLM-Ausgabe parsen und trotzdem nachvollziehen können, was verändert wurde.
Grenzen: Die Reparatur ist eine Heuristik. Sie kann fehlende Daten nicht ergänzen und in seltenen Fällen einen Text falsch deuten. Für bereits sauber herausgelöstes, aber fehlerhaftes JSON gibt es JSON reparieren, zum Prüfen gegen ein Schema den JSON-Schema-Validator. Am zuverlässigsten ist es, das Problem an der Quelle zu vermeiden: mit strukturierten Ausgaben oder einem Tool-Aufruf, bei dem die API das Format erzwingt.
Anleitung: JSON aus Text extrahieren in 4 Schritten
- Die vollständige Antwort des Modells in das Feld „KI-Antwort“ einfügen, auch mit Einleitungssatz und Codeblock.
- Unter „Gefundene Kandidaten“ den passenden JSON-Teil wählen, falls mehrere vorhanden sind.
- Die Liste „Reparaturen“ prüfen: Sie zeigt jede Änderung, die nötig war.
- Das formatierte Ergebnis mit „Kopieren“ übernehmen oder mit „Kompakt“ einzeilig ausgeben.
Typische Anwendungsfälle
- Eine Antwort retten, in der das Modell das JSON in einen Markdown-Codeblock mit Erklärtext verpackt hat.
- Ein wegen des Ausgabelimits abgeschnittenes JSON schließen, um wenigstens die vollständigen Einträge zu nutzen.
- Beim Entwickeln eines Parsers prüfen, welche Fehler ein Modell typischerweise macht.
- Python-ähnliche Ausgaben mit
True,Noneund einfachen Anführungszeichen in gültiges JSON bringen.
Häufige Fragen
Warum schreibt das Modell Text um das JSON?
Sprachmodelle sind auf Gespräche trainiert und erklären gern, was sie liefern. Eine klare Anweisung wie „Antworte nur mit JSON“ hilft, garantiert aber nichts. Sicherer sind strukturierte Ausgaben der API.
Was passiert bei mehreren JSON-Blöcken?
Alle Fundstellen erscheinen in der Auswahl „Gefundene Kandidaten“. Vorausgewählt ist der erste Codeblock oder, falls es keinen gibt, das längste gefundene Objekt.
Woran erkenne ich ein abgeschnittenes JSON?
An einer fehlenden schließenden Klammer am Ende und oft an einer Zeichenkette, die mitten im Wort aufhört. Bei OpenAI steht dann finish_reason length, bei Anthropic stop_reason max_tokens.
Wird der Text an einen Dienst geschickt?
Nein. Suche und Reparatur laufen vollständig im Browser.
Ist das reparierte JSON immer inhaltlich richtig?
Nein. Bei abgeschnittenem JSON fehlt der Rest der Daten, das Werkzeug schließt nur die offenen Klammern. Prüfen Sie das Ergebnis und fordern Sie im Zweifel eine neue Antwort mit höherem Ausgabelimit an.
Wie vermeide ich das Problem schon beim Modell?
Nutzen Sie strukturierte Ausgaben oder einen Tool-Aufruf mit JSON Schema, wenn die API das anbietet. Dann liefert das Modell nur das JSON-Objekt ohne Text drumherum.
Zum Weiterlesen
- RAG einfach erklärt: KI mit eigenen Dokumenten nutzenRAG einfach erklärt: wie Retrieval-Augmented Generation funktioniert, wofür man Embeddings und Vektordatenbanken braucht und was ein RAG-System kostet.
- Structured Outputs: Zuverlässig JSON von KI-ModellenStructured Outputs erklärt: Wie Sie mit JSON-Schema garantiert gültiges JSON von OpenAI, Claude und Gemini bekommen, statt kaputte Antworten nachträglich zu reparieren.
- Prompt Injection: Wie Angriffe auf KI-Systeme funktionierenPrompt Injection erklärt: wie versteckte Anweisungen in E-Mails, Dokumenten und Websites KI-Assistenten und Agenten manipulieren und welche Schutzmaßnahmen wirken.
Das könnte auch helfen
JSON formatierenneu
JSON formatieren, prüfen und minifizieren, mit Fehlerstelle und Tokenzahl.
ÖffnenJSON reparierenneu
Kaputtes JSON aus KI-Antworten reparieren: Codeblöcke, Kommas, Anführungszeichen.
ÖffnenBatch-Datei-Generatorneu
Aus einer Vorlage und einer Liste viele Prompts erzeugen, als JSONL für die Batch-APIs.
ÖffnenAPI-Anfrage-Generatorneu
Fertige cURL-Anfragen für die APIs von OpenAI, Anthropic und Google erzeugen.
ÖffnenPrompt-Injection-Prüferneu
Fremde Texte vor der KI-Verarbeitung auf versteckte Anweisungen und Tricks prüfen.
ÖffnenJSON-Schema-Generator
Aus einem JSON-Beispiel ein JSON Schema für strukturierte Ausgaben von KI-Modellen erzeugen.
Öffnen