Embedded JSON Extraction

Embedded JSON Extraction — Parsear JSON desde Archivos de Código

Extraer y parsear JSON arrays/objects embebidos dentro de JavaScript, Python, u otros archivos de código donde el bracket counting simple falla.

Por qué falla

JSON embebido en código parece válido pero rompe parsers estándar porque:

1. Bracket counting falla al encontrar ] o } dentro de strings entrecomillados (ej: "trenes": [])
2. Código trailing después de ]; se incluye en la extracción
3. Secuencias doble-escape (\\\\s, \\\\n) en source confunden la inspección de strings
4. Comillas smart y chars UTF-8 (•, –, ") son JSON válido pero activan falsos alarms en regex

Patrones

Pattern 1: Bracket counter FUERA de strings

def find_matching_bracket(raw, open_char, close_char):
    """Find position of matching close_char, ignoring inside quoted strings."""
    depth = 1
    in_string = False
    escape = False
    for i, c in enumerate(raw):
        if escape:
            escape = False
            continue
        if c == '':
            escape = True
            continue
        if c == '"':
            in_string = not in_string
            continue
        if in_string:
            continue
        if c == open_char:
            depth += 1
        elif c == close_char:
            depth -= 1
            if depth == 0:
                return i
    return -1

Pattern 2: Parsear objetos individuales (cuando el array parsea mal pero los objetos son válidos)

objects = []
depth_obj = 0
in_str = False
esc = False
obj_start = None

for i, c in enumerate(raw):
    if esc: continue
    if c == '': esc = True; continue
    if c == '"': in_str = not in_str; continue
    if in_str: continue
    if c == '{' and depth_obj == 0:
        obj_start = i
    if c == '{': depth_obj += 1
    elif c == '}' and depth_obj > 0:
        depth_obj -= 1
        if depth_obj == 0 and obj_start is not None:
            objects.append(raw[obj_start:i+1])
            obj_start = None

Pattern 3: Regex boundary detection

Cuando el array va seguido de un patrón trailing único (ej: ];\n//):

import re
footer_pos = content.find('// === Estado ===')
pattern = re.search(r'\n\]\n\s*\]', content[footer_pos-500:footer_pos])
# El ] antes de \n  ]; es el cierre del array

Pattern 4: demjson3 para parsing leniente

import demjson3
data = demjson3.decode(raw.replace('None', 'null'))
# Maneja: newlines literales en strings, Python None, trailing commas

Pattern 5: Wrap y validar

# Después de extraer entre [ y ]
wrapped = '[' + array_raw + ']'
data = json.loads(wrapped)

Workflow

1. Localizar el boundary del JSON — usar bracket counting O trailing pattern matching
2. Extraer contenido raw entre delimitadores (cuidado con lo que va después del ] closing)
3. Normalizar — replace None → null, strip trailing non-JSON
4. Probar json.loads() primero → fallback a demjson3 → fallback a individual-object parsing
5. Validar re-parseando y verificando campos/estructura esperados

Pitfalls

• Un ] dentro de un string (como "trenes": []) cerrará prematuramente un depth counter ingenuo
• El error "Extra data" de json.loads() significa que el JSON es válido pero hay contenido trailing
• Newlines double-escaped en strings (\\\\n) son JSON válido (backslash + letra n)
• Smart quotes en strings JSON están bien — son UTF-8 válido, no errores de parsing

Related

• references/ciaf-json-extraction.md — Transcript completo de auditoría con edge cases