python序列化模块struct_Python-序列化模块-json-62

序列化模块

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)

为什么要有序列化模块

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。

'abdsafaslhiewhldvjlmvlvk['

#序列化 —— 转向一个字符串数据类型#序列 —— 字符串

"{'k':'v'}"

#数据存储#网络上传输的时候

#从数据类型 --> 字符串的过程 序列化#从字符串 --> 数据类型的过程 反序列化

#json *****#pickle ****#shelve ***

#json # 数字 字符串 列表 字典 元组

#通用的序列化格式

#只有很少的一部分数据类型能够通过json转化成字符串#pickle

#所有的python中的数据类型都可以转化成字符串形式

#pickle序列化的内容只有python能理解

#且部分反序列化依赖python代码#shelve

#序列化句柄

#使用句柄直接操作，非常方便

json

Json模块提供了四个功能：dumps、dump、loads、load

importjson

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) # {"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) # {'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) # [1, ["a", "b", "c"], 3, {"k1": "v1", "k2": "v2"}]

list_dic2 =json.loads(str_dic)print(type(list_dic2),list_dic2) # [1, ['a', 'b', 'c'], 3, {'k1': 'v1', 'k2': 'v2'}]

loads和dumps

importjson

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)

load和dump

importjson

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()

ensure_ascii关键字参数

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_circularis false, then the circular reference check for container types will be skipped and a circular reference will result in an OverflowError (orworse).

If allow_nanis 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 raiseTypeError. 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 JSONEncoderisused.

其他参数说明

importjson

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)

importjson

dic= {1:"a", 2:"b"}

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

json.dump(dic, f)

f.close()

importjson

f= open('fff',encoding='utf-8')

res1=json.load(f)

f.close()print(type(res1),res1) # {'1': 'a', '2': 'b'}

importjson## json dump load

dic = {1:"中国",2:'b'}

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

json.dump(dic,f,ensure_ascii=False)

json.dump(dic,f,ensure_ascii=False)#f.close()

f = open('fff',encoding='utf-8')

res1=json.load(f) #报错 不能同时读两条#res2 = json.load(f)

f.close()print(type(res1),res1)#print(type(res2),res2)

#json#dumps {} -- > '{}\n'#一行一行的读#'{}\n'#'{}' loads

l = [{'k':'111'},{'k2':'111'},{'k3':'111'}]

f= open('file','w')importjsonfor dic inl:

str_dic=json.dumps(dic)

f.write(str_dic+'\n')

f.close()

f = open('file')importjsonfor line inf:

dic= json.loads(line.strip()) #一行一行的将json格式的数据读出来

print(dic)'''{'k': '111'}

{'k2': '111'}

{'k3': '111'}'''f.close()

f = open('file')importjson

l=[]for line inf:

dic=json.loads(line.strip())

l.append(dic)#转化为列表的方式重新拿出来

f.close()print(l) #输出

pickle

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)

importpickle

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

importtime

struct_time= time.localtime(1000000000)print(struct_time)

f= open('pickle_file','wb') #byte 类型所以要用wb写入

pickle.dump(struct_time,f)

f.close()

f= open('pickle_file','rb') # rb 方式读

struct_time2=pickle.load(f)print(struct_time2.tm_year)

pickle

importtime

struct_time1= time.localtime(1000000000)

struct_time2= time.localtime(2000000000)

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

pickle.dump(struct_time1,f)

pickle.dump(struct_time2,f)

f.close()

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

struct_time1=pickle.load(f)

struct_time2=pickle.load(f)print(struct_time1.tm_year)print(struct_time2.tm_year)

f.close()

# 对于pickle 来说可以分布的dump 和分布的 load ，但是对于 json 来说就不可以

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

shelve:

importshelve

f= shelve.open('shelve_file')

f['key'] = {'int':10, 'float':9.5, 'string':'Sample data'} #直接对文件句柄操作，就可以存入数据

f.close()#importshelve

f1= shelve.open('shelve_file')

existing= f1['key'] #取出数据的时候也只需要直接用key获取即可，但是如果key不存在会报错

f1.close()print(existing)

importshelve

f= shelve.open('shelve_file', flag='r')

existing= f['key']print(existing) #{'int': 10, 'float': 9.5, 'string': 'Sample data'}

f['key'] = 50f.close()

f= shelve.open('shelve_file', flag='r')

existing2= f['key']

f.close()print(existing2) #50

importshelve

f= shelve.open('shelve_file', flag='r')

existing= f['key']print(existing) #{'int': 10, 'float': 9.5, 'string': 'Sample data'}

f['key'] = 50f.close()

f= shelve.open('shelve_file', flag='r')

existing2= f['key']

f.close()print(existing2) #50

importshelve

f1= shelve.open('shelve_file')print(f1['key'])

f1['key']['new_value'] = 'this was not here before'f1.close()

f2= shelve.open('shelve_file', writeback=True) #writeback=True 可修改文件

print(f2['key']) f2['key']['new_value'] = 'this was not here before'f2.close()