Konvertieren Sie JSON in Markdown online kostenlos

Konvertieren Sie JSON-Dateien kostenlos online in Markdown. Datei hochladen und sofort eine saubere, für LLMs geeignete Ausgabe erhalten. Ohne Anmeldung, bis 50 MB, nichts wird gespeichert.

JSON in Markdown umwandeln: aus einem verschachtelten Dump wird etwas Lesbares

JSON ist ein Maschinenformat, das Menschen ertragen. Bis drei Ebenen tief geht das in Ordnung. Bei acht Ebenen, mit einem Array aus 400 Objekten mittendrin, scrollen Sie durch eine Wand aus Klammern und rätseln, welche schließende Klammer nun wozu gehört. Wer schon einmal eine rohe API-Antwort in einem Browser-Tab aufgeschlagen hat, kennt das Gefühl.

JSON zu Markdown zu konvertieren heißt, diesen Baum als Dokument neu zu erzählen. Aus Schlüsseln werden Überschriften. Aus verschachtelten Objekten verschachtelte Abschnitte. Aus Arrays gleichartiger Datensätze werden Tabellen, die Sie mit den Augen überfliegen statt mit Ctrl+F. Legen Sie eine .json-Datei in das Werkzeug oben, und Sie haben das Ergebnis in ein paar Sekunden — kostenlos, ohne Anmeldung, 50 MB Obergrenze, bei uns bleibt nichts liegen.

Was mit der Struktur passiert

Die Umwandlung läuft den Baum entlang, und jedes JSON-Konstrukt bekommt ein Markdown-Gegenstück:

  • Objekte werden zu Abschnitten. Aus einem Schlüssel wie customer auf oberster Ebene wird eine Überschrift, und alles darunter rückt unter diese Überschrift. Tiefe wird zu Überschriftenebene: Die Hierarchie, die Sie sich vorher aus der Einrückung erschließen mussten, liegt jetzt offen.
  • Skalare Schlüssel-Wert-Paare werden zu beschrifteten Zeilen. "status": "active" liest sich als status: active. Anführungszeichen, Doppelpunkte und Kommas am Zeilenende verschwinden, und mit ihnen grob ein Drittel der Zeichen einer typischen Datei.
  • Arrays aus Skalaren werden zu Aufzählungen. Eine Liste von Tags oder IDs sieht danach nicht mehr wie eine Datenstruktur aus, sondern wie eine Liste.
  • Arrays aus gleichförmigen Objekten werden zu Tabellen. Das ist der große Fall, und er bekommt weiter unten seinen eigenen Abschnitt.
  • Leere Werte und Nullwerte. Ein Feld mit null, "" oder [] trägt so gut wie keine Information, kostet aber in jedem Datensatz Tokens, in dem es auftaucht. Beim Flachklopfen fällt dieses Rauschen zusammen, statt sich 500-mal zu wiederholen.

Was rohes JSON für einen Leser schlecht macht, ist genau das, was es für einen Parser gut macht: Jeder Datensatz führt jeden Schlüssel erneut auf. Tief verschachteltes JSON versteckt seine Form hinter Satzzeichen. Markdown legt die Form nach oben.

JSON als Tabelle darstellen: gleichförmige Arrays sind der Idealfall

Wenn Ihr JSON eine Liste von Datensätzen ist, die sämtlich dieselben Schlüssel haben — Bestellungen, Benutzer, Produkte, Logeinträge, Suchtreffer —, dann holen Sie das Beste heraus: eine einzige Markdown-Tabelle, Schlüssel als Spaltenköpfe, ein Datensatz pro Zeile. Zweihundert Objekte, die als rohes JSON 3.000 Zeilen belegten, schrumpfen auf 200 Tabellenzeilen.

Der Gewinn ist nicht bloß kosmetisch. Im rohen JSON wiederholt jeder dieser 200 Datensätze den Feldnamen "created_at", den Feldnamen "customer_id" und so weiter. In der Tabelle steht jeder Name genau einmal, in der Kopfzeile. Für ein LLM, das gegen eine Kontextgrenze arbeitet, entscheidet das darüber, ob ein Datenbestand hineinpasst oder nicht. Der Token-Zähler unter der Ausgabe macht es greifbar: Wandeln Sie dieselbe Datei in beide Formate um und sehen Sie zu, wie die Zahl fällt.

Wo es schwächelt: bei ungleichen Datensätzen. Wenn die Hälfte Ihrer Objekte einen address-Block hat und die andere nicht, oder wenn ein Feld selbst wieder ein verschachteltes Objekt ist, bekommt eine flache Tabelle das nicht sauber abgebildet. Sie erhalten dann eine breitere Tabelle mit Lücken oder verschachtelte Inhalte, die in einen eigenen Abschnitt ausweichen. Ist Ihr Datenbestand wirklich tabellarisch, exportieren Sie ihn besser als CSV und nehmen den CSV-zu-Markdown-Konverter — das ergibt meist aufgeräumtere Tabellen, weil CSV gar nicht erst ungleich sein kann.

Wann Sie besser gar nicht konvertieren

Das gehört offen gesagt, weil viele Seiten, die Konverter anpreisen, es verschweigen: Ein LLM liest rohes JSON ohne Weiteres. Es ist ein Format, von dem die Modelle beim Training unfassbar viel gesehen haben. Sie müssen überhaupt nichts umwandeln.

Behalten Sie das rohe JSON, wenn es auf die exakten Schlüssel ankommt. Sobald ein Modell Code gegen eine API-Antwort schreiben soll — ein TypeScript-Interface, einen Parser, eine Mapping-Funktion —, braucht es die wortwörtlichen Schlüsselnamen, die wortwörtliche Verschachtelung und die wortwörtlichen Typen. Markdown verwischt einen Teil davon mit Absicht. Fügen Sie die rohe Nutzlast ein oder eine gekürzte Stichprobe daraus und lassen Sie das Modell sehen, was es später tatsächlich parsen wird.

Konvertieren Sie, wenn ein Mensch beteiligt ist oder die Tokens knapp werden. Sie wollen begreifen, was eine unbekannte API zurückgibt. Sie prüfen eine Konfigurationsdatei, die jemand anderes geschrieben hat. Sie schieben einen großen Export in ein Modell, und die Rohdatei besteht zu 40 % aus Satzzeichen. Das sind die Fälle, in denen sich ein Konverter, der JSON in Markdown umwandeln kann, wirklich lohnt. Alles Übrige ist Geschmackssache.

Minifizierte Dateien, formatierte Dateien und JSON Lines

Drei Spielarten begegnen einem ständig, und sie verhalten sich unterschiedlich:

  • Minifiziertes JSON — eine einzige riesige Zeile, kein Leerraum. So liefern die meisten APIs tatsächlich aus. Für Menschen unlesbar, und auch für Modelle unhandlich, weil es keine Zeilenumbrüche gibt, an denen man sich festhalten könnte. Hier bringt die Umwandlung am meisten: aus einer einzelnen 200-KB-Zeile wird ein gegliedertes Dokument.
  • Formatiertes JSON — bereits eingerückt. Angenehmer zu lesen, nur ist die Einrückung jetzt eben Tausende führende Leerzeichen, für die Sie Tokens bezahlen. Markdown gibt Ihnen die Hierarchie ohne diese Rechnung.
  • NDJSON / JSON Lines — ein vollständiges JSON-Objekt pro Zeile, ohne umschließendes Array. Standard für Logs und Streaming-Exporte. Von Natur aus gleichförmig, also nahe am Idealfall für Tabellenausgabe. Heißt Ihre Datei .jsonl oder .ndjson, benennen Sie sie in .json um oder fassen Sie die Zeilen vor dem Hochladen in einem Array zusammen.

Eine Warnung aus der Praxis: Eine fehlerhafte Datei wird nicht konvertiert. Kommas am Zeilenende, einfache statt doppelter Anführungszeichen, nicht escapte Zeilenumbrüche innerhalb von Zeichenketten oder ein versprengtes NaN aus einem Python-Export lassen die Prüfung durchfallen. Schicken Sie die Datei vorher durch einen Linter, wenn sie aus einer ungewöhnlichen Ecke stammt.

Wo das zum Einsatz kommt

  • Eine undokumentierte API verstehen. Eine echte Antwort mitschneiden, umwandeln, und Sie haben einen lesbaren Abriss der Antwortstruktur — oft besser als die Dokumentation des Anbieters, und Sie können ihn einem Modell als Referenz mitgeben.
  • Analytics- oder Export-Dumps durchsehen. Aus ein paar tausend Events aus einem Produktanalyse-Werkzeug wird eine Tabelle, an die Sie tatsächlich Fragen stellen können.
  • Konfigurationen prüfen. Kubernetes-Manifeste, ESLint-Konfigurationen, Deployment-Einstellungen — in Markdown treten Vererbung und Überschreibungen so deutlich hervor, wie sie es zwischen verschachtelten Klammern nie tun.
  • Dokumentation schreiben. Die Markdown-Ausgabe fällt ohne Nacharbeit direkt in eine README, eine Wiki-Seite oder eine Doku-Website.
  • Zwei Nutzlasten vergleichen. Vorher und nachher konvertieren, dann das Markdown diffen. Strukturelle Änderungen springen weit stärker ins Auge als in einem JSON-Diff voller verschobener Klammern.

Steckt das JSON in einem Projekt, konvertieren Sie das Projekt

Die wenigsten JSON-Dateien stehen für sich. Es sind eine package.json, eine Fixture-Datei, ein Seed-Datenbestand, eine OpenAPI-Spezifikation — sie liegen in einem Repository neben dem Code, der sie liest. Wer nur diese eine Datei herauslöst, gibt dem Modell die Daten, aber keinen Kontext dazu.

Nehmen Sie in diesem Fall lieber den Konverter für GitHub-Repositories oder den Konverter für lokale Verzeichnisse, falls das Projekt auf Ihrem Rechner liegt und nirgends gepusht ist. Haken Sie die JSON-Dateien plus die Quelldateien an, die sie auswerten, und Sie erhalten einen Textblock, der beide Seiten dieser Beziehung enthält. Eine GitLab-Variante gibt es ebenfalls. Bei allem, was mit Entwicklung zu tun hat, ist das fast immer der bessere Weg — der Einzeldatei-Konverter ist für JSON gedacht, das allein bei Ihnen ankommt.

Häufige Fragen

Wie wandle ich JSON in Markdown um?

Laden Sie die .json oben hoch, und sie kommt als Markdown zurück — verschachtelte Objekte als Überschriftenebenen, Arrays gleichförmiger Datensätze als Tabellen mit senkrechten Strichen, Schlüssel als beschriftete Felder. Kostenlos, 50 MB pro Datei, kein Konto nötig. Als .md herunterladen oder in ein Dokument, ein Issue oder einen Prompt kopieren.

Wird aus einem Array von Objekten eine Tabelle?

Wenn die Objekte dieselbe Form haben, ja — das ist der Fall, den Markdown am besten beherrscht. Eine Liste von Datensätzen mit identischen Schlüsseln wird zu einer Tabelle mit einer Spalte je Schlüssel, und die überfliegt sich weit leichter als das rohe Array. Uneinheitliche Arrays, bei denen jedes Element andere Felder mitbringt, weichen auf Abschnitte aus, weil sich kein einheitlicher Spaltensatz bilden lässt.

Wie geht das Werkzeug mit tiefer Verschachtelung um?

Die Tiefe wird auf Überschriftenebenen abgebildet, und bei ###### ist in Markdown Schluss. Eine acht Ebenen tief verschachtelte Konfigurationsdatei stößt an diese Grenze, und die untersten Schichten fallen in die Ebene darüber. Bei derart tiefen Strukturen ist reiner Text nicht schlechter — lesbar wäre so oder so nichts geblieben.

Taugt das, um eine API-Antwort zu dokumentieren?

Es ist der schnellste Weg, eine echte Nutzlast ohne Handarbeit in eine Doku-Seite oder einen Pull Request zu bekommen. Beispielantwort einfügen, umwandeln, und Sie haben eine Feldtabelle, die überall dort erscheint, wo Markdown gerendert wird. Was das Werkzeug nicht erraten kann: welche Felder optional sind und was ein Typ bedeutet, wenn ein Wert in Ihrer Stichprobe zufällig null ist.

Für ein LLM lieber Markdown oder reiner Text?

Markdown, wenn die Form Bedeutung trägt — wenn das Modell begreifen soll, dass diese Felder zu jenem Objekt gehören. Text, wenn Sie für Embeddings in Chunks zerlegen, wo Syntaxzeichen nur Rauschen sind, das den Vektor verwässert. Für eine einzelne Nutzlast, die erklärt werden soll, liest sich Markdown besser und kostet kaum mehr.

Markdown oder reiner Text — und was es hier sonst gibt

Wenn Sie überhaupt keine Struktur wollen — weil Sie Embeddings bauen, für die Suche indexieren oder eine Datei auf die kleinstmögliche Token-Zahl eindampfen —, nehmen Sie den Weg über JSON zu reinem Text. Dort wird die Syntax ersatzlos entfernt statt übersetzt. Der Formatumschalter oben auf der Seite wechselt zwischen beiden und nimmt Ihre ausgewählte Datei mit, Sie können also beides ausprobieren, ohne zweimal hochzuladen.

Für andere strukturierte Formate gibt es XML zu Markdown für Feeds, SOAP-Nutzlasten und Unternehmensschemata sowie HTML zu Markdown für gespeicherte Webseiten. File2Txt ist der allgemeine Einstieg, wenn Sie sich keine Seite aussuchen wollen — es nimmt ebenso PDFs, Office-Dateien, Bilder und Archive. Ausführlicher wird es im Beitrag zur Aufbereitung von Dateien für LLMs, wenn Sie das größere Bild suchen.

Repo2Txt wird entwickelt und gepflegt von v12hero, einem unabhängigen Entwickler, der native und Web-Apps mit Datenschutz an erster Stelle baut.