一、serialize 序列化

1、什么叫序列化——将原本的字典、列表等内容转换成一个字符串的过程就叫做序列化。

    比如，我们在python代码中计算的一个数据需要给另外一段程序使用，那我们怎么给？
现在我们能想到的方法就是存在文件里，然后另一个python程序再从文件里读出来。
    但是我们都知道，对于文件来说是没有字典这个概念的，所以我们只能将数据转换成字典放到文件中。
你一定会问，将字典转换成一个字符串很简单，就是str(dic)就可以办到了，为什么我们还要学习序列化模块呢？
没错序列化的过程就是从dic 变成str(dic)的过程。现在你可以通过str(dic)，将一个名为dic的字典转换成一个字符串，
    但是你要怎么把一个字符串转换成字典呢？
聪明的你肯定想到了eval()，如果我们将一个字符串类型的字典str_dic传给eval，就会得到一个返回的字典类型了。
eval()函数十分强大，但是eval是做什么的？e官方demo解释为：将字符串str当成有效的表达式来求值并返回计算结果。
    ＢＵＴ！强大的函数有代价。安全性是其最大的缺点。
    想象一下，如果我们从文件中读出的不是一个数据结构，而是一句"删除文件"类似的破坏性语句，那么后果实在不堪设设想。
而使用eval就要担这个风险。
    所以，我们并不推荐用eval方法来进行反序列化操作(将str转换成python中的数据结构)

2、序列化的目的
   1）、以某种存储形式使自定义对象持久化；
   2）、将对象从一个地方传递到另一个地方。
   3）、使程序更具维护性。

二、常用的序列化模块

 1、json模块
 json模块提供了四个功能：dumps、dump、loads、load
 　　1) 内存中的序列化和反序列化(dumps loads)

 mport json

 dic = {'k1': 'v1', 'k2': 'v2', 'k3': 'v3'}

 #str_dic = str(dic) #不安全

 str_dic = json.dumps(dic)  # 序列化：将一个字典转换成一个字符串

 print(type(str_dic), str_dic)  # <class 'str'> {"k3": "v3", "k2": "v2", "k1": "v1"}

 # 注意，json转换完的字符串类型的字典中的字符串是由""表示的

 dic1 = json.loads(str_dic)  # 反序列化：将一个字符串格式的字典转换成一个字典

 print(type(dic1), dic1)  # <class 'dict'> {'k2': 'v2', 'k3': 'v3', 'k1': 'v1'}

 dic_in_list = [1,['a','b','c'],3,{'k1':'v1','k2':'v2'}]

 str_dic_in_list = json.dumps(dic_in_list)

 print(type(str_dic_in_list), str_dic_in_list)  # <class 'str'> [1, ["a", "b", "c"], 3, {"k1": "v1", "k2": "v2"}]

 dic_in_list1 = json.loads(str_dic_in_list)

 print(type(dic_in_list1), dic_in_list1)  # <class 'list'> [1, ['a', 'b', 'c'], 3, {'k2': 'v2', 'k1': 'v1'}]

　　2) 文件中的的序列化和反序列化(dump load

 # f = open('json_file','w')

 # dic = {'k1':'v1','k2':'v2','k3':'v3'}

 # json.dump(dic, f)  #dump方法接收一个文件句柄，直接将字典转换成json字符串写入文件

 # f.close()

 f = open('json_file')

 dic2 = json.load(f)  #load方法接收一个文件句柄，直接将文件中的json字符串转换成数据结构返回

 f.close()

 print(type(dic2), dic2)  # <class 'dict'> {'k2': 'v2', 'k3': 'v3', 'k1': 'v1'}

 3)  ensure_ascii关键字参数

 f = open('file', 'w', encoding='utf-8')

 json.dump({'国籍': '中国'}, f)

 ret = json.dumps({'国籍': '中国'})

 f.write(ret+'\n')

 json.dump({'国籍': '美国'}, f, ensure_ascii=False)

 ret = json.dumps({'国籍': '美国'}, ensure_ascii=False)

 f.write(ret+'\n')

 f.close()

4) 其他参数说明

Serialize obj to a JSON formatted str.(字符串表示的json对象) 

Skipkeys：默认值是False，如果dict的keys内的数据不是python的基本类型(str,unicode,int,long,float,bool,None)，设置为False时，
就会报TypeError的错误。此时设置成True，则会跳过这类key 

ensure_ascii:，当它为True的时候，所有非ASCII码字符显示为\\uXXXX序列，只需在dump时将ensure_ascii设置为False即可，此时存入json的中文即可正常显示。) 
If check_circular is false, then the circular reference check for container types will be skipped and a circular reference will result in an 
OverflowError (or worse). 
If allow_nan is false, then it will be a ValueError to serialize out of range float values (nan, inf, -inf) in strict compliance of the JSON 
specification, instead of using the JavaScript equivalents (NaN, Infinity, -Infinity). 

indent：应该是一个非负的整型，如果是0就是顶格分行显示，如果为空就是一行最紧凑显示，否则会换行且按照indent的数值显示前面的空白分行显示，
这样打印出来的json数据也叫pretty-printed json 

separators：分隔符，实际上是(item_separator, dict_separator)的一个元组，默认的就是(‘,’,’:’)；这表示dictionary内keys之间用“,”隔开，
而KEY和value之间用“：”隔开。 
default(obj) is a function that should return a serializable version of obj or raise TypeError. The default simply raises TypeError. 

sort_keys：将数据根据keys的值进行排序。 
To use a custom JSONEncoder subclass (e.g. one that overrides the .default() method to serialize additional types), specify it with the cls kwarg;
 otherwise JSONEncoder is used.

5)json的格式化输出

data = {'username': ['李华', '二愣子'], 'sex': 'male', 'age': 16}

json_dic2 = json.dumps(data, sort_keys=True, indent=2, separators=(',', ':'), ensure_ascii=False)

print(json_dic2)

2、json & pickle 模块
 用于序列化的两个模块

json，用于字符串和python数据类型间进行转换
pickle，用于python特有的类型和python的数据类型间进行转换

pickle模块提供了四个功能：dumps、dump(序列化，存）、loads（反序列化，读）、load  （不仅可以序列化字典，列表...可以把python中任意的数据类型序列化）

1）pickle

 import pickle

 dic = {'k1': 'v1', 'k2': 'v2', 'k3': 'v3'}

 str_dic = pickle.dumps(dic)

 print(str_dic)  # 一串二进制内容

 dic2 = pickle.loads(str_dic)

 print(dic2)    # 字典

 import time

 struct_time = time.localtime(1000000000)

 print(struct_time)

 f = open('pickle_file', 'wb')

 pickle.dump(struct_time, f)

 f.close()

 f = open('pickle_file', 'rb')

 struct_time2 = pickle.load(f)

 print(struct_time2.tm_year)

这时候机智的你又要说了，既然pickle如此强大，为什么还要学json呢？
这里我们要说明一下，json是一种所有的语言都可以识别的数据结构。
如果我们将一个字典或者序列化成了一个json存在文件里，那么java代码或者js代码也可以拿来用。
但是如果我们用pickle进行序列化，其他语言就不能读懂这是什么了～
所以，如果你序列化的内容是列表或者字典，我们非常推荐你使用json模块
但如果出于某种原因你不得不序列化其他的数据类型，而未来你还会用python对这个数据进行反序列化的话，那么就可以使用pickle