目录
为什么要序列化:
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,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。
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。
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?
你也许想到了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。
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,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)
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。
json模块
json.dumps 和 json.loads
import json
dic = {'k1':'v1','k2':'v2','k3':'v3'}
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", "k1": "v1", "k2": "v2"}
# 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
dic2 = 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
#注意,要用json的loads功能处理的字符串类型的字典中的字符串必须由""表示
print(type(dic2),dic2) #<class 'dict'> {'k1': 'v1', 'k2': 'v2', 'k3': 'v3'}
list_dic = [1,['a','b','c'],3,{'k1':'v1','k2':'v2'}]
str_dic = json.dumps(list_dic) # 也可以处理嵌套的数据类型
print(type(str_dic),str_dic) # <class 'str'> [1, ["a", "b", "c"], 3, {"k1": "v1", "k2": "v2"}]
list_dic2 = json.loads(str_dic)
print(type(list_dic2),list_dic2) # <class 'list'> [1, ['a', 'b', 'c'], 3, {'k1': 'v1', 'k2': 'v2'}]
注意点:
dic = {'key' : 'value','key2' : 'value2'}
import json
ret = json.dumps(dic) # 序列化
print(dic,type(dic))
print(ret,type(ret))
res = json.loads(ret) # 反序列化
print(res,type(res))
# 问题1
dic = {1 : 'value',2 : 'value2'}
ret = json.dumps(dic) # 序列化
print(dic,type(dic))
print(ret,type(ret))
res = json.loads(ret) # 反序列化
print(res,type(res))
# 问题2
dic = {1 : [1,2,3],2 : (4,5,'aa')}
ret = json.dumps(dic) # 序列化
print(dic,type(dic))
print(ret,type(ret))
res = json.loads(ret) # 反序列化
print(res,type(res))
# 问题3
s = {1,2,'aaa'}
json.dumps(s)
# 问题4
json.dumps({(1,2,3):123})
# TypeError: keys must be a string
# json 在所有的语言之间都通用 : json序列化的数据 在python上序列化了 那在java中也可以反序列化
# json 能够处理的数据类型是非常有限的 : 字符串 列表 字典 数字
# ***字典中的key只能是字符串
>>>向文件中记录字典
import json
dic = {'key' : 'value','key2' : 'value2'}
ret = json.dumps(dic) # 序列化
with open('json_file','a') as f:
f.write(ret)
# 从文件中读取字典
with open('json_file','r') as f:
str_dic = f.read() # 读取到是已序列化的字符串内容
dic = json.loads(str_dic)
print(dic.keys()) # dict_keys(['key1', 'key2', 'key3'])
# 如果在文件中新增文件,字典必须是字符串格式,才能读取出来
json.dump 和 json.load
import json
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)
import json
f = open('file','w')
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()
注意点:不支持连续 存 取
dic = {'key1' : 'value1','key2' : 'value2'}
with open('json_file','a') as f:
json.dump(dic,f)
json.dump(dic,f)
json.dump(dic,f) # 这里可以存进去,但是读取不了
with open('json_file','r') as f:
dic = json.load(f) #报 错
print(dic.keys())
>>>需求: 就是想要把一个一个的字典放到文件中,再一个一个取出来
dic={"key1":"values1","key2":"values2","key3":"values3"}
with open("json_file","a") as f: # 序列化
str_dic=json.dumps(dic)
for i in range(3):
f.write(str_dic+"\n")
f.flush()
with open("json_file","r") as f: # 反序列化
for line in f:
dic=json.loads(line.strip())
print(dic.keys())
# 注意,with多行内容时,序列化和反序列化,不能同时进行
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.
dic = {'key':'你好'}
print(json.dumps(dic,ensure_ascii=False)) # 便于查看
import json
data = {'username':['李华','二愣子'],'sex':'male','age':16}
json_dic2 = json.dumps(data,sort_keys=True,indent=4,separators=(',',':'),ensure_ascii=False)
print(json_dic2) # 格式化,便于查看,参数:排序;开头缩进;分隔符;是否编码显示
# 存文件/传网络 时不提倡这样做
pickle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)
pickle.dumps 和 pickle.loads
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
pickle.dump 和 pickle.load
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)
import pickle
# 序列化:将对象保存到文件中去 - 存 # 可以是 列表、元组
list1 = ["周杰伦","林俊杰","陈奕迅","肖战"]
#tuple1 = ("周杰伦","林俊杰","陈奕迅","肖战")
wf = open("data.txt","wb") # wb 重新写,会擦除原来的内容
# 参数1 obj: 需要保存的对象名
# 参数2 file: 要保存的文件(打开)
pickle.dump(list1,wf)
# pickle.dump(tuple1,wf)
wf.close() # 还会保存好类型信息,存好之后,可以“关闭”后读取使用
# 反序列化--将文件中的数据读取出来,转换成对象 -取
rf = open("data.txt","rb")
# 参数1 file: 要读取的文件(打开)
res = pickle.load(rf)
print(res)
print(type(res))
rf.close()
特点和需要注意的问题
# 支持在python中几乎所有的数据类型
dic = {(1,2,3):{'a','b'},1:'abc'}
ret = pickle.dumps(dic)
print(ret)
# dumps 序列化的结果只能是字节
print(pickle.loads(ret))
# 只能在python中使用
# 在和文件操作的时候,需要用rb wb的模式打开文件
with open('pickle_file','wb') as f:
pickle.dump(dic,f)
with open('pickle_file','rb') as f:
ret = pickle.load(f)
print(ret,type(ret))
# 可以多次dump 和 多次load
import pickle
dic = {(1,2,3):{'a','b'},1:'abc'}
dic1 = {(1,2,3):{'a','b'},2:'abc'}
dic2 = {(1,2,3):{'a','b'},3:'abc'}
dic3 = {(1,2,3):{'a','b'},4:'abc'}
with open("pickle_file","wb") as f:
pickle.dump(dic,f) # 序列化没有返回值
pickle.dump(dic1, f)
pickle.dump(dic2, f)
pickle.dump(dic3, f)
with open('pickle_file','rb') as f:
while True:
try:
ret = pickle.load(f) # 反序列化,需要返回值
print(ret,type(ret))
except EOFError:
break
既然pickle如此强大,为什么还要学json呢?
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,非常推荐你使用json模块
但如果出于某种原因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