1.概念¶

 

将对象转换为可通过网络传输或可以存储到本地磁盘的数据格式（如：XML、JSON或特定格式的字节串）的过程称为序列化；反之，则称为反序列化。

 

2.json模块¶

 

大部分编程语言都会提供处理json数据的接口，Python 2.6开始加入了json模块，且把它作为一个内置模块提供，无需下载即可使用。
Python的JSON模块 序列化与反序列化的过程分别叫做：encoding 和 decoding。
encoding： 把Python对象转换成JSON字符串
decoding： 把JSON字符串转换成python对象

In [1]:

import json

d = {'name': 'tom', 'age': 20, 'interest': ['music', 'movie']}
j = json.dumps(d)
j

Out[1]:

'{"name": "tom", "age": 20, "interest": ["music", "movie"]}'

In [2]:

d1 = json.loads(j)
d1

Out[2]:

{'name': 'tom', 'age': 20, 'interest': ['music', 'movie']}

 

1)sort_keys参数： 表示序列化时是否对dict的key进行排序（dict默认是无序的）

In [3]:

j1 = json.dumps(d, sort_keys=True)
j1

Out[3]:

'{"age": 20, "interest": ["music", "movie"], "name": "tom"}'

 

2)indent参数： 表示缩进的意思，它可以使得数据存储的格式变得更加优雅、可读性更强；如果indent是一个非负整数或字符串，则JSON array元素和object成员将会被以相应的缩进级别进行打印输出；如果indent是0或负数或空字符串，则将只会插入换行，不会有缩进。

In [4]:

j2 = json.dumps(d, sort_keys=True, indent=4)
j2

Out[4]:

'{\n    "age": 20,\n    "interest": [\n        "music",\n        "movie"\n    ],\n    "name": "tom"\n}'

In [5]:

# 序列化到文件中
with open('test.json', 'w') as fp:
    json.dump(d, fp, indent=4)

In [6]:

# 反序列化文件中的内容
with open('test.json', 'r') as fp:
    d3 = json.load(fp)
d3

Out[6]:

{'name': 'tom', 'age': 20, 'interest': ['music', 'movie']}

 

3.pickle模块¶

 

pickle模块实现了用于对Python对象结构进行 序列化 和 反序列化 的二进制协议，与json模块不同的是pickle模块序列化和反序列化的过程分别叫做 pickling 和 unpickling：
pickling： 是将Python对象转换为字节流的过程；
unpickling： 是将字节流二进制文件或字节对象转换回Python对象的过程；

pickle模块与json模块对比:
1.JSON是一种文本序列化格式（它输出的是unicode文件，大多数时候会被编码为utf-8），而pickle是一个二进制序列化格式;
2.JOSN是我们可以读懂的数据格式，而pickle是二进制格式，我们无法读懂；
3.JSON是与特定的编程语言或系统无关的，且它在Python生态系统之外被广泛使用，而pickle使用的数据格式是特定于Python的；
4.默认情况下，JSON只能表示Python内建数据类型，对于自定义数据类型需要一些额外的工作来完成；pickle可以直接表示大量的Python数据类型，包括自定数据类型（其中，许多是通过巧妙地使用Python内省功能自动实现的；复杂的情况可以通过实现specific object API来解决）

In [9]:

import pickle

# pickle序列化
d = {'name': 'tom', 'age': 20, 'interest': ['music', 'movie']}
p = pickle.dumps(d)
p

Out[9]:

b'\x80\x03}q\x00(X\x04\x00\x00\x00nameq\x01X\x03\x00\x00\x00tomq\x02X\x03\x00\x00\x00ageq\x03K\x14X\x08\x00\x00\x00interestq\x04]q\x05(X\x05\x00\x00\x00musicq\x06X\x05\x00\x00\x00movieq\x07eu.'

In [12]:

# pickle反序列化
d4 = pickle.loads(p)
d4

Out[12]:

{'name': 'tom', 'age': 20, 'interest': ['music', 'movie']}

In [13]:

# 持久化到文件
with open('pickle.txt', 'wb') as f:
    pickle.dump(d, f)

In [14]:

# 从文件中读取数据
with open('pickle.txt', 'rb') as f:
    d5 = pickle.load(f)
d5

Out[14]:

{'name': 'tom', 'age': 20, 'interest': ['music', 'movie']}

 

4.实例：自定义数据类型的序列化/反序列化¶

 

首先来自定义一个数据类型：

In [15]:

class Student(object):
    def __init__(self, name, age, sno):
        self.name = name
        self.age = age
        self.sno = sno

    def __repr__(self):
        return 'Student [name: %s, age: %d, sno: %d]' % (self.name, self.age, self.sno)

 

pickle模块可以直接对自定数据类型进行序列化/反序列化操作，无需编写额外的处理函数或类。

In [17]:

stu = Student('Tom', 19, 1)
stu

Out[17]:

Student [name: Tom, age: 19, sno: 1]

In [18]:

# 持久化到文件
with open('stu_pickle.txt', 'wb') as f:
    pickle.dump(stu, f)

In [19]:

# 从文件中读取数据
with open('stu_pickle.txt', 'rb') as f:
    stu_pickle = pickle.load(f)
stu_pickle

Out[19]:

Student [name: Tom, age: 19, sno: 1]

In [ ]: