Explication du module Python JSON : vidages, chargements, types personnalisés et erreurs courantes
JSON est la manière dont la plupart des programmes échangent des données, et le module json intégré de Python les lit et les écrit sur une seule ligne. Les détails comptent cependant : les dates, les décimales, les touches numériques et les flottants changent tous au cours du processus. Nous avons testé chaque cas.
json.dumpstransforme les objets Python en chaîne JSON ;json.loadstransforme JSON en Python.dumpetloadfont la même chose avec les fichiers.- Les tuples deviennent des listes et les clés entières du dictionnaire deviennent des chaînes, donc un aller-retour n’est pas toujours identique.
- Les dates, décimales, ensembles et UUID augmentent
TypeError; gérez-les avecdefault=ou un encodeur personnalisé. - Utilisez
parse_float=Decimalpour de l’argent et validez les données analysées avant de leur faire confiance.
Une API renvoie les données de commande, un fichier de configuration stocke les paramètres, un appareil de test contient les résultats attendus : tous sont probablement JSON. Le module Python JSON est intégré, rapide et facile à démarrer, mais ses cas extrêmes apparaissent la première fois que vous essayez d’enregistrer une date, un Decimal ou un dictionnaire avec des touches numériques.
Nous avons exécuté chaque exemple ci-dessous avec Python 3.13, et les résultats proviennent de cette exécution.
Qu’est-ce que JSON ?
JSON, JavaScript Object Notation, est un format de texte pour les données structurées : objets (paires clé-valeur), tableaux, chaînes, nombres, true, false et null. Il s’agit du format standard des API Web, et il est facile à lire pour les humains. Ses règles sont strictes : les clés doivent être des chaînes entre guillemets doubles, sans virgules finales et sans commentaires.
décharges et chargements
import json
data = {"id": 7, "name": "Asha", "tags": ["admin"], "active": True, "score": None, "price": 10.5}
s = json.dumps(data)
print(s)
# {"id": 7, "name": "Asha", "tags": ["admin"], "active": true, "score": null, "price": 10.5}
back = json.loads(s)
# types: id int, name str, tags list, active bool, score NoneType, price float
Remarquez que True est devenu true et None est devenu null ; sur le chemin du retour, ils sont retournés à leurs formulaires Python. Le « s » dans dumps et loads signifie « chaîne ».
Mappage de types
| Python | JSON | Retour à Python |
|---|---|---|
dicter |
objet | dicter |
list, tuple |
tableau | liste |
str |
chaîne | str |
int, float |
numéro | int ou float |
True/False |
true/false |
True/False |
Aucun |
nul |
Aucun |
date, Decimal, set, UUID |
Non pris en charge | TypeError sur les décharges |
Ce qui change en cours de route
json.loads(json.dumps({"p": (1, 2)})) # {'p': [1, 2]}
json.loads(json.dumps({1: "one", 2: "two"})) # {'1': 'one', '2': 'two'}
json.loads('{"a": 1, "a": 2}') # {'a': 2}
Un tuple est revenu sous forme de liste et les clés entières sont revenues sous forme de chaînes, car les clés d’objet JSON sont toujours des chaînes. Le code qui recherche plus tard data[1] obtiendra un KeyError, un bug courant lors de la mise en cache des dictionnaires au format JSON. Un document avec une clé en double était accepté silencieusement, la dernière valeur gagnant. Traitez un aller-retour JSON comme une conversion et non comme une copie parfaite.
Formatage de la sortie
json.dumps({"b": 1, "a": [1, 2]}, indent=2, sort_keys=True)
# {
# "a": [
# 1,
# 2
# ],
# "b": 1
# }
json.dumps({"a": 1, "b": [1, 2]}, separators=(",", ":"))
# {"a":1,"b":[1,2]}
Utilisez indent pour les fichiers que les gens lisent, tels que la configuration ou les appareils de test, et sort_keys=True afin que les différences dans le contrôle de version restent petites et stables. Utilisez des séparateurs compacts pour enregistrer des octets lors de l’envoi de données sur le réseau.
Unicode
json.dumps({"note": "नमस्ते"})
# {"note": "नमस्ते"}
json.dumps({"note": "नमस्ते"}, ensure_ascii=False)
# {"note": "नमस्ते"}
Par défaut, chaque caractère non-ASCII est échappé. Les deux formulaires sont des JSON valides et décodent le même texte, mais la sortie échappée est difficile à lire et plus volumineuse. Utilisez ensure_ascii=False et écrivez des fichiers avec encoding="utf-8" pour une sortie lisible.
Lire et écrire des fichiers
with open(path, "w", encoding="utf-8") as f:
json.dump(data, f, indent=2)
with open(path, encoding="utf-8") as f:
loaded = json.load(f)
print(loaded == data) # True
Transmettez toujours un codage explicite ; sous Windows, la valeur par défaut peut ne pas être UTF-8. Le bloc with ferme le fichier même si l’écriture échoue, comme expliqué dans notre guide des gestionnaires de contexte. Pour en savoir plus sur les fichiers, consultez Gestion des fichiers Python.
Dates, décimales et vos propres objets
Les types courants ne sont pas pris en charge par défaut. Nos tests ont relevé :
TypeError: Object of type date is not JSON serializable
TypeError: Object of type Decimal is not JSON serializable
TypeError: Object of type set is not JSON serializable
TypeError: Object of type UUID is not JSON serializable
La solution la plus simple est une fonction default, que dumps appelle tout objet qu’elle ne peut pas gérer :
def default(o):
if isinstance(o, (datetime.date, datetime.datetime)): return o.isoformat()
if isinstance(o, decimal.Decimal): return str(o)
if isinstance(o, set): return sorted(o)
if dataclasses.is_dataclass(o): return dataclasses.asdict(o)
raise TypeError(f"not serializable: {type(o).__name__}")
json.dumps({"order": Order(101, Decimal("1180.50"), date(2026, 11, 11)),
"tags": {"b", "a"}}, default=default)
# {"order": {"id": 101, "total": "1180.50", "placed": "2026-11-11"}, "tags": ["a", "b"]}
Les dates sont devenues des chaînes ISO, le Decimal est devenu une chaîne pour conserver sa valeur exacte, l’ensemble est devenu une liste triée et la dataclass est devenue un dictionnaire. Terminez toujours par raise TypeError, afin que les types inattendus échouent bruyamment au lieu d’être transformés silencieusement en quelque chose de mal.
Décoder les types personnalisés
class Enc(json.JSONEncoder):
def default(self, o):
if isinstance(o, datetime.date):
return {"__date__": o.isoformat()}
return super().default(o)
def hook(d):
return datetime.date.fromisoformat(d["__date__"]) if "__date__" in d else d
json.loads(json.dumps({"d": date(2026, 11, 11)}, cls=Enc), object_hook=hook)
# {'d': datetime.date(2026, 11, 11)}
Une sous-classe JSONEncoder passée avec cls= fait le même travail que default= dans une classe réutilisable. Au retour, object_hook est appelé pour chaque objet décodé, vous permettant de reconvertir les dictionnaires balisés en dates ou en vos propres classes. Pour tout ce qui dépasse quelques types, une bibliothèque telle que Pydantic gère ensemble la conversion et la validation, comme indiqué dans notre guide de sortie structurée.
Conseil : Convenez d’un format de date pour l’ensemble de votre système, normalement ISO 8601 avec un fuseau horaire, tel que 2026-11-11T09:30:00+05:30 ou UTC avec un “Z”. Les formats mixtes entre les services provoquent bien plus de bugs que JSON lui-même.
Flotteurs et grands chiffres
json.loads("0.1") + json.loads("0.2") # 0.30000000000000004
json.loads("0.1", parse_float=Decimal) + json.loads("0.2", parse_float=Decimal) # 0.3
json.loads("12345678901234567890") # 12345678901234567890
Les nombres JSON deviennent des flottants Python, avec l’arrondi binaire habituel. Pour de l’argent, transmettez parse_float=decimal.Decimal ou envoyez les montants sous forme de chaînes ou de nombres entiers de la plus petite unité. Python a conservé exactement un entier de 20 chiffres, mais JavaScript et de nombreux autres langages ne peuvent pas représenter précisément les entiers supérieurs à 253, c’est pourquoi les grands identifiants sont souvent envoyés sous forme de chaînes.
Python écrit également NaN et Infinity par défaut, qui ne sont pas des JSON valides et casseront les autres analyseurs. allow_nan=False en fait une erreur à la place : “Les valeurs flottantes hors plage ne sont pas conformes à JSON : nan”.
Erreurs d’analyse
"{'a': 1}" Expecting property name enclosed in double quotes (line 1 col 2)
'{"a": 1,}' Illegal trailing comma before end of object (line 1 col 8)
'{"a": 1} extra' Extra data (line 1 col 10)
'' Expecting value (line 1 col 1)
'{"a": tru}' Expecting value (line 1 col 7)
Chaque mauvaise entrée soulevée json.JSONDecodeError avec un message et une position. Le premier cas, les guillemets simples, signifie généralement que quelqu’un a collé une impression Python dict au lieu d’un vrai JSON. Une chaîne vide signifie souvent qu’une API n’a rien renvoyé, par exemple en cas d’erreur, alors vérifiez l’état HTTP avant l’analyse. Catch JSONDecodeError où les entrées proviennent de l’extérieur de votre programme.
Lignes JSON pour les données volumineuses
lines = '{"id":1}\n{"id":2}\n'
[json.loads(l)["id"] for l in lines.splitlines()] # [1, 2]
json.load lit l’intégralité du document en mémoire. Pour les journaux et les exportations volumineuses, les lignes JSON, un objet JSON par ligne, peuvent être traitées un enregistrement à la fois et ajoutées en toute sécurité. C’est le format utilisé par de nombreux outils de journalisation ; consultez notre Guide de journalisation Python pour les journaux structurés.
Validation et sécurité
json.loads est sûr dans le sens où il crée uniquement des types de données de base ; contrairement à certains formats, il n’exécute jamais de code. Mais les données analysées peuvent toujours être erronées : champs manquants, types erronés ou charges utiles énormes. Validez la forme avec un schéma ou un modèle avant de l’utiliser, limitez la taille des requêtes et ne transmettez jamais de valeurs JSON directement dans des commandes SQL ou shell. Les tests de contrat aident à maintenir la forme stable entre les services.
Vitesse et alternatives
Le module json de la bibliothèque standard est suffisamment rapide pour la plupart des applications. Lorsque la gestion JSON apparaît dans le profilage, par exemple dans une API qui sérialise des milliers de réponses volumineuses par seconde, les bibliothèques tierces telles que orjson et ujson sont souvent plusieurs fois plus rapides, et orjson gère également les dates et les classes de données de manière native. Mesurez avant de changer, car le comportement diffère de petites manières, comme la façon dont les flotteurs et les clés non-chaînes sont gérés.
JSON n’est pas non plus toujours le bon format :
- Configuration que les gens modifient : TOML ou YAML autorisent les commentaires ; consultez notre guide YAML pour ses pièges.
- Grands ensembles de données analytiques : les formats en colonnes tels que Parquet sont beaucoup plus petits et plus rapides à interroger.
- Trafic de service à volume élevé : les formats binaires tels que Protocol Buffers ou MessagePack sont plus compacts et strictement typés.
Pour les API, les journaux et les appareils de test quotidiens, la lisibilité et la prise en charge universelle de JSON l’emportent généralement.
Pour conclure
Le module json couvre la plupart des besoins avec quatre fonctions. Rappelez-vous ce qui change lors d’un aller-retour, les tuples dans les listes et les clés entières dans les chaînes, gérez les dates et les décimales avec une fonction default, utilisez ensure_ascii=False et UTF-8 pour les fichiers lisibles et analysez l’argent avec Decimal. Validez ensuite ce que vous chargez, car un JSON valide n’est pas la même chose que des données correctes.
Questions fréquentes
Quelle est la différence entre json.dumps et json.dump ?
json.dumps renvoie une chaîne JSON. json.dump écrit JSON directement dans un objet fichier. De même, loads analyse une chaîne et charge les lectures à partir d’un fichier.
Comment convertir une date/heure en JSON en Python ?
Transmettez une fonction par défaut à json.dumps qui renvoie obj.isoformat() pour les dates et les dates-heures, ou utilisez une sous-classe JSONEncoder personnalisée.
Pourquoi mes clés entières deviennent-elles des chaînes ?
Les clés d’objet JSON doivent être des chaînes, donc json.dumps les convertit. Après le chargement, {1 : “one”} devient {“1”: “one”}.
Comment imprimer joliment du JSON en Python ?
Utilisez json.dumps(data, indent=2), en ajoutant sort_keys=True pour un ordre stable et Ensure_ascii=False pour garder le texte non anglais lisible.
Pourquoi est-ce que j’obtiens JSONDecodeError : valeur attendue ?
L’entrée est vide ou JSON non valide, souvent une page d’erreur ou une réponse API vide. Vérifiez le code d’état et le texte brut avant l’analyse.
Continuez à apprendre
Besoin d’aide pour les tests, WordPress ou le référencement ?
Nous aidons les équipes à proposer de meilleurs logiciels et à développer leurs sites. Dites-nous sur quoi vous travaillez et nous vous proposerons une prochaine étape claire.
Plus de guides sur tests, IA et développement moderne
Vous avez apprécié cet article ? Choisissez un sujet et accédez directement à nos nouveaux didacticiels.
Stratégies de fragmentation RAG expliquées : fixe, chevauchement, phrase, récursif et en-têtes, mesurés
Stratégies de segmentation RAG comparées sur un document avec tiktoken 0.14 : taille fixe, chevauchement, regroupement de phrases, fractionnement ré…
Lire l'article →Développement logicielL'idempotence de l'API expliquée : clés d'idempotence et tentatives sécurisées, testées
L'idempotence de l'API expliquée avec un serveur et un client Python que nous avons exécutés : une réponse perdue provoquait une double charge sans …
Lire l'article →DevOpsGit Stash expliqué : enregistrer, appliquer, afficher et fichiers non suivis, testé
Git stash expliqué avec les commandes que nous avons exécutées sur Git 2.56 : pousser avec un message, fichiers non suivis, lister et afficher, appl…
Lire l'article →Tests logicielsExplication des tests par paires : comment toutes les paires réduisent 216 tests à 13, testé
Tests par paires expliqués avec un générateur que nous avons exécuté dans Python 3.13 : une vérification avec 216 combinaisons couvertes par 13 test…
Lire l'article →Automatisation des testsExplication des doubles de test : factice, stub, espion, simulé et faux, avec du code Python testé
Les tests doubles sont expliqués avec un exemple Python exécuté dans pytest 9.2 : factice, stub, espion, simulé et faux, quand les utiliser, les vér…
Lire l'article →Bases de données et SQLSQL COALESCE expliqué : valeurs par défaut, NULLIF, IFNULL vs ISNULL et Traps, testées
SQL COALESCE expliqué avec les requêtes que nous avons exécutées dans SQLite 3.50 : premières valeurs non nulles, chaînes vides, NULL en mathématiqu…
Lire l'article →Bases de données et SQLSQL Self Join expliqué : employé-manager, comparaisons de paires et de lignes, testés
L'auto-jointure SQL expliquée avec les requêtes que nous avons exécutées dans SQLite 3.50 : employé et manager, gagnant plus que le manager, paires …
Lire l'article →Développement logicielExplication de l'opérateur de propagation JavaScript : propagation vs repos, copies et pièges, testé
L'opérateur de propagation JavaScript expliqué avec le code que nous avons exécuté sur le nœud 24 : tableaux, objets, copies superficielles, paramèt…
Lire l'article →Développement logicielModule de collections Python expliqué : compteur, defaultdict, deque et plus, testé
Les collections Python expliquées avec le code que nous avons exécuté sur Python 3.13 : Counter, defaultdict, deque, approvedtuple, OrderedDict et C…
Lire l'article →Intelligence artificielleFenêtre contextuelle LLM expliquée : jetons, limites et comment en adapter davantage, mesurés
La fenêtre contextuelle LLM expliquée avec le nombre de jetons que nous avons mesurés à l'aide de tiktoken : mots par rapport aux jetons pour la pro…
Lire l'article →Développement logicielLes webhooks expliqués : comment ils fonctionnent et comment les recevoir en toute sécurité
Webhooks expliqués avec un récepteur et un expéditeur que nous avons exécutés en Python : push vs polling, signatures HMAC-SHA256, rejet des requête…
Lire l'article →DevOpsGit Cherry-Pick expliqué : copiez le commit dont vous avez besoin, en toute sécurité et testé
Git Cherry-pick expliqué avec les commandes que nous avons exécutées dans Git 2.56 : copie d'un correctif dans une branche de version, nouveaux hach…
Lire l'article →Automatisation des testsLes tests instantanés expliqués : comment cela fonctionne, quand cela aide et quand cela fait mal
Les tests d'instantanés expliqués avec une démo pytest et sirupeuse que nous avons exécutée : création d'instantanés, lecture de la différence après…
Lire l'article →Tests logicielsTests de mutation expliqués : pourquoi une couverture à 100 % n'a toujours pas détecté notre bug
Les tests de mutation expliqués avec un petit outil de mutation que nous avons construit et exécuté : 14 mutants, une suite de tests avec une couver…
Lire l'article →Intelligence artificielleL'injection rapide expliquée : comment les applications d'IA sont trompées et comment les défendre
L'injection rapide expliquée aux constructeurs : attaques directes et indirectes, pourquoi les filtres de mots clés échouent (notre test a bloqué 1 …
Lire l'article →DevOpsEnregistrements DNS expliqués : A, AAAA, CNAME, MX, TXT et TTL avec de vraies recherches
Enregistrements DNS expliqués avec les recherches que nous avons effectuées : fonctionnement de la résolution, A et AAAA, règles CNAME, MX et null M…
Lire l'article →DevOpsExplication des indicateurs de fonctionnalités : versions sécurisées, déploiements progressifs et hygiène des indicateurs
Les indicateurs de fonctionnalités expliqués avec une simulation de déploiement que nous avons exécutée : types d'indicateurs, déploiements en pourc…
Lire l'article →Automatisation des testsGénération de données de test avec Python Faker : données réalistes, reproductibles et sûres
Testez la génération de données avec Python Faker, exécutez et mesurez : amorçage de données répétables, paramètres régionaux, valeurs uniques, enre…
Lire l'article →Tests logicielsExplication des tests Shift-Left : recherchez les bugs plus tôt sans ralentir l'équipe
Les tests Shift-Left ont expliqué : ce que cela signifie, pourquoi les premiers défauts sont moins chers, les pratiques allant de l'examen des exige…
Lire l'article →Bases de données et SQLFonctions de chaîne SQL expliquées : TRIM, SUBSTR, REPLACE, CONCAT et nettoyage des données
Fonctions de chaîne SQL expliquées avec les requêtes que nous avons exécutées : concaténation et NULL, TRIM, UPPER et LOWER, SUBSTR et INSTR, REPLAC…
Lire l'article →Bases de données et SQLDéclencheurs SQL expliqués : déclencheurs AVANT et APRÈS, journaux d'audit et pièges
Déclencheurs SQL expliqués avec les déclencheurs que nous avons exécutés : AVANT ou APRÈS, ANCIEN et NOUVEAU, journaux d'audit, validation, mises à …
Lire l'article →Développement logicielModule Python JSON expliqué : vidages, chargements, types personnalisés et erreurs courantes
Le module Python JSON expliqué avec le code que nous avons exécuté : dumps et chargements, fichiers, conversions de types, dates et décimales, encod…
Lire l'article →Développement logicielModules ES vs CommonJS : fonctionnement des importations JavaScript dans Node.js, testé
Les modules ES et CommonJS expliqués avec le code que nous avons exécuté dans Node.js : syntaxe d'importation et d'exportation, exigences, liaisons …
Lire l'article →Développement logicielPython Regex expliqué : modèles, groupes, anticipations et pièges, testés
L'expression régulière Python expliquée avec les modèles que nous avons exécutés : recherche contre correspondance, recherche tout, groupes et group…
Lire l'article →Intelligence artificielleExplication de la sortie structurée LLM : obtenir un JSON fiable à partir de modèles d'IA
Sortie structurée LLM expliquée avec la validation que nous avons exécutée dans Pydantic : mode et schémas JSON, décodage contraint, façons dont les…
Lire l'article →DevOpsClés SSH expliquées : comment elles fonctionnent, ssh-keygen, Ed25519 et habitudes sûres
Clés SSH expliquées avec les clés que nous avons générées : clés publiques ou privées, ssh-keygen, Ed25519 vs RSA, empreintes digitales, phrases sec…
Lire l'article →DevOpsLa mise en cache HTTP expliquée : Cache-Control, ETag et 304 réponses, avec un test en direct
La mise en cache HTTP expliquée avec un petit serveur que nous avons exécuté : directives Cache-Control, max-age, no-cache vs no-store, revalidation…
Lire l'article →Automatisation des testsExplication des tests des contrats API : détectez les modifications majeures avant leur expédition
Les tests de contrat API ont été expliqués à l'aide d'une vérification de schéma que nous avons effectuée : ce qu'est un contrat, les contrats axés …
Lire l'article →Tests logicielsExplication des tests basés sur les risques : évaluez les risques, créez une matrice et testez ce qui compte
Les tests basés sur les risques sont expliqués étape par étape : identification des risques, notation de la probabilité et de l'impact, création d'u…
Lire l'article →Bases de données et SQLContraintes SQL expliquées : NOT NULL, UNIQUE, CHECK et FOREIGN KEY, testées
Les contraintes SQL expliquées avec les tests que nous avons exécutés : NOT NULL, UNIQUE, CHECK, DEFAULT, PRIMARY et FOREIGN KEY, les failles NULL, …
Lire l'article →Bases de données et SQLFonctions de date SQL expliquées : ajout, comparaison et regroupement de dates sans bugs
Fonctions de date SQL expliquées avec les requêtes que nous avons exécutées : ajout d'intervalles, surprises de fin de mois, différences de dates, p…
Lire l'article →Développement logicielPython asyncio expliqué : asynchrone, attendre, rassembler et TaskGroup avec des timings réels
Python asyncio expliqué avec le code que nous avons chronométré : coroutines, wait, collect, TaskGroup, gestion des erreurs, délais d'attente, limit…
Lire l'article →Développement logicielDebounce vs Throttle en JavaScript : comment ils fonctionnent, quand les utiliser, testés
Debounce vs throttle en JavaScript expliqué avec les timings que nous avons mesurés dans Node.js : comment chacun fonctionne, implémentations simple…
Lire l'article →Développement logicielLes gestionnaires de contexte Python expliqués : l'instruction with, contextlib et les utilisations réelles
Les gestionnaires de contexte Python ont expliqué avec le code que nous avons exécuté : comment cela fonctionne, __enter__ et __exit__, contextlib.c…
Lire l'article →Intelligence artificielleTempérature LLM et Top-p expliqués : comment les modèles d'IA choisissent leur prochain mot
La température LLM et le top-p expliqués à l'aide d'une simulation que nous avons exécutée : comment les probabilités sont remodelées, ce que conser…
Lire l'article →DevOpsYAML expliqué : syntaxe, problème norvégien et autres pièges que nous avons testés
YAML expliqué avec un test d'analyseur : syntaxe de base, listes et cartes, le problème de la Norvège, les versions se transformant en flottants, co…
Lire l'article →DevOpsLes tâches Cron expliquées : syntaxe, horaires réels et erreurs qui les interrompent
Les tâches Cron expliquées avec les plannings que nous avons vérifiés : les cinq champs, les opérateurs, des exemples réels, le piège du jour du moi…
Lire l'article →Intelligence artificielleLes hallucinations de l'IA expliquées : pourquoi les modèles de langage inventent les choses et comment les réduire
Les hallucinations de l'IA ont expliqué : ce qu'elles sont, pourquoi les modèles de langage les produisent, les types courants, comment les réduire …
Lire l'article →DevOpsVariables d'environnement expliquées : fichiers .env, secrets et configuration correctement effectués
Variables d'environnement expliquées avec des exemples Python que nous avons exécutés : lecture et définition, pourquoi chaque valeur est une chaîne…
Lire l'article →Développement logicielLimitation du débit de l'API expliquée : algorithmes, en-têtes et gestion des erreurs 429
Limitation du débit de l'API expliquée avec une simulation que nous avons exécutée : compartiment de jetons, fenêtre fixe, fenêtre glissante, 429 ré…
Lire l'article →Automatisation des testsSe moquer en Python : unittest.mock, patch et les erreurs qui font mentir les tests
Moquerie en Python avec unittest.mock, testée : Mock et return_value, side_effect, correctifs où un nom est utilisé, spec et autospec, dates moqueus…
Lire l'article →Tests logicielsCouverture du code expliquée : couverture des lignes par rapport aux branches et ce que signifie réellement 100 %
Couverture du code expliquée avec une véritable exécution de cover.py : couverture des lignes, des branches et des conditions, lecture d'un rapport,…
Lire l'article →Bases de données et SQLDELETE vs TRUNCATE vs DROP dans SQL : différences, restauration et quand les utiliser
DELETE vs TRUNCATE vs DROP expliqué avec SQL testé : ce que chacun supprime, restauration, déclencheurs, réinitialisation d'identité, vitesse et en …
Lire l'article →Bases de données et SQLVues SQL expliquées : créez, utilisez et évitez les pièges, avec des exemples
Vues SQL expliquées avec les requêtes que nous avons exécutées : création d'une vue, résultats en direct, masquage des colonnes, performances, vues …
Lire l'article →Développement logicielInterface TypeScript vs Type : différences réelles, testées avec le compilateur
Interface TypeScript vs type, vérifiée avec le vrai compilateur : ce que les deux peuvent faire, ce qu'un seul peut faire, la fusion des déclaration…
Lire l'article →Développement logicielPython *args et **kwargs expliqués : fonctions flexibles avec des exemples clairs
Python *args et **kwargs expliqués avec le code que nous avons exécuté : emballage et déballage, ordre des paramètres, arguments de mot-clé uniqueme…
Lire l'article →Développement logicielFonctions Python Lambda : syntaxe, utilisations réelles et quand ne pas les utiliser
Fonctions Python lambda expliquées avec le code que nous avons exécuté : syntaxe, tri avec clé, carte et filtre, fermetures, piège de liaison tardiv…
Lire l'article →Intelligence artificielleQue sont les agents IA ? Comment ils fonctionnent, avec une simple boucle d'agent que vous pouvez exécuter
Que sont les agents IA ? Un guide simple sur la boucle d'agent, les outils, la mémoire et les garde-fous, avec une petite boucle Python que nous avo…
Lire l'article →DevOpsSurveillance vs observabilité : la vraie différence, avec les journaux, les métriques et les traces
Surveillance et observabilité expliquées : échecs connus et inconnus, journaux, métriques et traces, présentation pas à pas des incidents de paiemen…
Lire l'article →DevOpsVolumes Docker vs montages Bind : conserver les données du conteneur de la bonne manière
Volumes Docker et montages de liaison expliqués : pourquoi les données du conteneur disparaissent, volumes nommés, montages de liaison, tmpfs, exemp…
Lire l'article →Automatisation des testsTDD vs BDD : principales différences, une fonctionnalité conçue dans les deux sens et quand les utiliser
TDD vs BDD expliqué avec une fonctionnalité de remise construite dans les deux sens : refactor rouge-vert avec le code que nous avons exécuté, scéna…
Lire l'article →Tests logicielsTests d'acceptation utilisateur (UAT) : processus, liste de contrôle et exemples réels
Les tests d'acceptation des utilisateurs sont expliqués : qui les exécute, en quoi ils diffèrent du contrôle qualité, un processus en sept étapes, u…
Lire l'article →Bases de données et SQLExplication des valeurs SQL NULL : IS NULL, COALESCE, NULLIF et les pièges à éviter
Les valeurs SQL NULL expliquées avec les requêtes que nous avons exécutées : logique à trois valeurs, IS NULL, COALESCE, NULLIF, comment les agrégat…
Lire l'article →Bases de données et SQLInstruction SQL CASE WHEN : syntaxe, exemples réels et erreurs courantes
SQL CASE WHEN expliqué avec les requêtes que nous avons exécutées : formulaires simples et recherchés, ordre des conditions, pivots avec SUM, astuce…
Lire l'article →Développement logicielQu'est-ce que JWT ? Les jetons Web JSON expliqués avec un exemple fonctionnel
Qu’est-ce que JWT ? JSON Web Tokens expliqué : les trois parties, un jeton construit et falsifié dans le code que nous avons exécuté, JWT vs session…
Lire l'article →Développement logicielBoucle d'événements JavaScript expliquée : pile d'appels, microtâches et minuteries avec des exemples
La boucle d'événements JavaScript expliquée avec le code que nous avons exécuté : pile d'appels, files d'attente de tâches et de microtâches, pourqu…
Lire l'article →Développement logicielGénérateurs Python et rendement expliqués : économisez de la mémoire avec des exemples réels
Les générateurs Python et le rendement expliqués avec le code que nous avons exécuté : comment ils s'arrêtent et reprennent, les économies de mémoir…
Lire l'article →Intelligence artificielleQue sont les intégrations ? Vecteurs et similarité cosinus expliqués simplement
Que sont les intégrations ? Un guide en langage simple sur les vecteurs, la similarité cosinus et la recherche sémantique, avec un petit exemple que…
Lire l'article →DevOpsDéploiement Bleu-Vert vs Canary : différences, compromis et comment choisir
Explication du déploiement bleu-vert ou canari : comment chacun fonctionne, coût, risque et restauration, regroupement d'utilisateurs stable que nou…
Lire l'article →Automatisation des testsTests instables : quelles sont leurs causes et comment les corriger définitivement
Des tests irréguliers expliqués avec des démos que nous avons exécutées : les principales causes, comment en confirmer et en diagnostiquer une, les …
Lire l'article →Tests logicielsTests de charge vs tests de contrainte : différences, métriques et exemples k6
Explication des tests de charge et des tests de stress : ce que chacun prouve, les tests de pointe et de trempage, les métriques qui comptent, pourq…
Lire l'article →Tests logicielsScénario de test et scénario de test : principales différences, exemples et quand les utiliser
Scénario de test et scénario de test expliqués : des définitions claires, un tableau côte à côte, une fonctionnalité de réinitialisation de mot de p…
Lire l'article →Bases de données et SQLOptimisation des requêtes SQL : lire les plans d'exécution et corriger les requêtes lentes, avec des délais
Optimisation des requêtes SQL testée sur un million de lignes : lire les plans d'exécution, ajouter les bons index, corriger les filtres non Sargabl…
Lire l'article →Bases de données et SQLSQL UNION vs UNION ALL : différences, exemples et performances testées
SQL UNION vs UNION ALL expliqué avec les requêtes que nous avons exécutées : des doublons, les règles suivent toutes les deux, un véritable bug de d…
Lire l'article →Développement logicielTutoriel API JavaScript Fetch : GET, POST, gestion des erreurs et délais d'attente
Un didacticiel de l'API JavaScript Fetch testé sur un serveur local : GET et POST, pourquoi 404 ne lance pas, un assistant réutilisable, des chaînes…
Lire l'article →Développement logicielGestion des fichiers Python : lecture, écriture, CSV, JSON et pathlib avec exemples
Gestion des fichiers Python expliquée avec le code que nous avons exécuté : modes ouverts, avec lecture de fichiers volumineux, CSV, JSON, pathlib, …
Lire l'article →Développement logicielClasses et objets Python : didacticiel POO avec des exemples réels
Classes et objets Python expliqués avec le code que nous avons exécuté : __init__, méthodes, attributs de classe par rapport à l'instance, héritage,…
Lire l'article →Intelligence artificielleQu'est-ce qu'un grand modèle de langage ? Comment fonctionnent les LLM, expliqués sans battage médiatique
Qu’est-ce qu’un grand modèle de langage ? Les LLM expliqués en langage simple : jetons, intégrations, attention, formation, fenêtres de température …
Lire l'article →DevOpsCommandes Linux pour les débutants : le guide du terminal essentiel avec des exemples
Commandes Linux pour débutants, regroupées par tâche : navigation, fichiers, affichage des journaux, grep, tuyaux, autorisations, processus et archi…
Lire l'article →Automatisation des testsSelenium vs Playwright : principales différences, code comparé et lequel choisir
Comparatif Selenium vs Playwright : architecture, attente, support du navigateur et du langage, débogage, même test dans les deux outils, conseils d…
Lire l'article →Tests logicielsPartitionnement d'équivalence : technique de conception de tests expliquée avec des exemples concrets
Le partitionnement d'équivalence expliqué : comment trouver des partitions valides et invalides, des exemples concrets d'âges, de mots de passe et d…
Lire l'article →Tests logicielsGravité vs priorité dans les tests logiciels : différences, matrice et exemples réels
Explication de la gravité et de la priorité dans les tests logiciels : des définitions claires, une matrice à quatre voies avec des exemples, des éc…
Lire l'article →Bases de données et SQLTutoriel sur les sous-requêtes SQL : types, sous-requêtes corrélées et EXISTE avec des exemples
Un didacticiel sur les sous-requêtes SQL avec les requêtes que nous avons exécutées : les sous-requêtes scalaires, IN, FROM et SELECT, les sous-requ…
Lire l'article →Bases de données et SQLTransactions SQL et ACID expliquées : COMMIT, ROLLBACK et niveaux d'isolement
Transactions SQL et ACID expliquées avec un virement bancaire que nous avons effectué : COMMIT, ROLLBACK, points de sauvegarde, verrous, niveaux d'i…
Lire l'article →Développement logicielAide-mémoire sur les commandes Git : les commandes que vous utilisez réellement, avec des exemples
Une aide-mémoire sur les commandes Git regroupées par tâche : configuration, transfert, branches, télécommandes, cache, historique et annulation des…
Lire l'article →Développement logicielLes promesses JavaScript expliquées : alors, catch, Promise.all et les erreurs courantes
Les promesses JavaScript expliquées avec le code que nous avons exécuté : les états, les chaînes then et catch, la gestion des erreurs, Promise.all,…
Lire l'article →Développement logicielTutoriel du dictionnaire Python : méthodes, exemples et modèles courants
Un didacticiel de dictionnaire Python avec du code que nous avons exécuté : créer, lire et mettre à jour des dictés, des méthodes clés, des fusions,…
Lire l'article →Intelligence artificielleQu’est-ce que RAG ? La génération augmentée par récupération expliquée avec un exemple fonctionnel
Qu’est-ce que le RAG ? La génération augmentée par récupération expliquée étape par étape : indexation, segmentation, intégrations, récupération, un…
Lire l'article →DevOpsTutoriel Terraform pour les débutants : Infrastructure en tant que code du premier fichier aux modules
Un didacticiel Terraform pour les débutants : commencez sans compte cloud, apprenez l'initialisation, la planification et l'application, puis les va…
Lire l'article →DevOpsDocker vs Kubernetes : principales différences, comment ils fonctionnent ensemble et ce dont vous avez besoin
Docker vs Kubernetes expliqué : ce que chacun fait, la même application s'exécute avec les deux, Docker Compose et Swarm comparés, les dockershim ch…
Lire l'article →Automatisation des testsTutoriel Pytest pour les débutants : luminaires, paramétrage et exemples réels
Un tutoriel pytest pour les débutants avec des tests que nous avons exécutés sur pytest 9.2 : assertions, appareils, paramétrage, conftest, marqueur…
Lire l'article →Tests logicielsCycle de vie des tests logiciels (STLC) : 6 phases, critères d'entrée et de sortie, exemple
Le cycle de vie des tests logiciels expliqué : six phases STLC avec des critères d'entrée et de sortie, des livrables, un exemple de fonctionnalité …
Lire l'article →Développement logicielGit merge vs rebase : différences, exemples et quand utiliser chacun
Git merge vs rebase expliqué avec de vraies sorties de log, un tableau comparatif, la règle d'or du rebase et un flux de travail sûr pour les équipes.
Lire l'article →Développement logicielList comprehension Python : syntaxe, exemples et cas à éviter
La list comprehension Python expliquée : syntaxe, filtres, if-else, boucles imbriquées, temps mesurés et cas où une boucle for classique est préféra…
Lire l'article →Bases de données et SQLJointures SQL expliquées avec exemples (Inner, Left, Right, Full)
Comprenez les jointures SQL pas à pas avec des tables et requêtes d'exemple : INNER, LEFT, RIGHT, FULL, CROSS et SELF, plus erreurs courantes et con…
Lire l'article →