共计 3400 个字符，预计需要花费 9 分钟才能阅读完成。

GitHub@orca-j35，所有笔记均托管于 python_notes 仓库

欢迎任何形式的转载，但请务必注明出处。

参考:

https://pythonguidecn.readthe…

https://docs.python-guide.org…

https://codingpy.com/books/th…

本文以 https://pythonguidecn.readthe… 为基础，并补充了一些内容

序列化是指将 ” 结构化数据 ” 转换成 ” 可存储格式 ” 的过程，逆向转换过程被称为逆序列化。

比如在 Python 中，结构化数据对象 dict 并不能直接存储到文件中:

a = {
    "Type": "A",
    "field1": "value1",
    "field2": "value2",
    "field3": "value3",
}

with open('./file.txt', 'w') as f:
    f.write(a)
#> TypeError: write() argument must be str, not dict

但是我们可以通过序列化操作，将 dict 对象转换为某种可存储格式。比如可以通过序列化操作将 dict 对象转换为字符串序列，从而实现对 dict 对象的存储:

a = {
    "Type": "A",
    "field1": "value1",
    "field2": "value2",
    "field3": "value3",
}

print(repr(a))  # 可将 repr()理解为一种序列化方法
#> {'Type': 'A', 'field1': 'value1', 'field2': 'value2', 'field3': 'value3'}
with open('./file.txt', 'w') as f:
    f.write(repr(a)) # 序列化后的 dict 对象，可写入文件

import ast
with open('./file.txt', 'r') as f:
    b = ast.literal_eval(f.readline())
print(f'{type(b)}:{b}')
#> <class 'dict'>:{'Type': 'A', 'field1': 'value1', 'field2': 'value2', 'field3': 'value3'}

在某些情况下，序列化的第二个目的是减少数据大小，从而减小对磁盘和带宽的要求。

在开始序列化数据之前，我们需要先了解一下序列化之后会得到何种格式的序列(扁平或嵌套)，下面展示了这两种风格的序列:

扁平 (flat) 风格，经序列化后的数据将位于一个物理行中:

{"Type" : "A", "field1": "value1", "field2": "value2", "field3": "value3"}

嵌套 (nested) 风格，经序列化后的数据会分散在多个物理行中:

{"A":
    {"field1": "value1", "field2": "value2", "field3": "value3"} }

有关两种风格的更多内容，请见如下讨论：Python mailing list, IETF mailing list, in stackexchange.

“ 结构化数据 ” 经序列化后，会得到两种序列化格式(serialization format):

文本序列化格式，如 JSON
二进制序列化格式，如 pickle

repr() 函数以单个对象作为参数，并生成一个可被解释器读取的字符串表示形式。我们可利用 repr() 将对象转换为可存储的扁平风格字符串扁平风格:

a = {
    "Type": "A",
    "field1": "value1",
    "field2": "value2",
    "field3": "value3",
}

print(repr(a))  # 可打印序列化后的内容
#> {'Type': 'A', 'field1': 'value1', 'field2': 'value2', 'field3': 'value3'}

with open('./file.txt', 'w') as f:
    f.write(repr(a)) # 可将序列化后的内容写入文件

literal_eval() 方法可安全地解析 Python 数据类型表达式并求值，支持的数据类型有：字符串、数字、元组、列表、字典、布尔和 None。

我们可以使用 literal_eval() 对简单文件中的内容进行逆序列化，从而获得 Python 对象:

import ast
with open('./file.txt', 'r') as f:
    inp = ast.literal_eval(f.read())
print(f'{type(inp)}:{inp}')
#> <class 'dict'>:{'Type': 'A', 'field1': 'value1', 'field2': 'value2', 'field3': 'value3'}

Python 中的 CSV 模块实现了读取和写入 CSV 形式的表格数据的类。

读取的简单例子：

# 从文件中读取 CSV 数据
import csv
with open('/tmp/file.csv', newline='') as f:
    reader = csv.reader(f)
    for row in reader:
        print(row)

写入的简单例子：

# 将 CSV 数据写入文件
import csv
with open('/temp/file.csv', 'w', newline='') as f:
    writer = csv.writer(f)
    writer.writerows(iterable)

该模块的内容、函数和例子可以在 Python 文档中查阅。

Python 中有许多第三方库用来解析和读取 / 写入 YAML 文件，例子如下：

# 使用 load 方法从文件中读取 YAML 内容
import yaml
with open('/tmp/file.yaml', 'r', newline='') as f:
    try:
        print(yaml.load(f))
    except yaml.YAMLError as ymlexcp:
        print(ymlexcp)

第三方库的文档可以在 PyYAML 文档中查阅。

Python 的 JSON 模块可以用来读取和写入 JSON 模块。示例如下：

读取：

# 从文件中读取 JSON 内容
import json
with open('/tmp/file.json', 'r') as f:
    data = json.load(f)

写入：

# 使用 dump 方法将 JSON 内容写入文件
import json
with open('/tmp/file.json', 'w') as f:
    json.dump(data, f, sort_keys=True)

Python 中 XML 的解析可以使用 xml 库。

示例：

# 从文件中读取 XML 内容
import xml.etree.ElementTree as ET
tree = ET.parse('country_data.xml')
root = tree.getroot()

使用 xml.dom 和 xml.sax 包的更多文档可以在 Python XML 库文档中找到。

Python 的 NumPy 数组可以将数据序列化成字节形式，或从字节形式的数据反序列化。

示例：

import NumPy as np

# 将 NumPy 数组转换为字节形式
byte_output = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9] ]).tobytes()

# 将字节形式转换回 NumPy 数组
array_format = np.frombuffer(byte_output)

Python 原生的数据序列化模块称为 Pickle。

示例：

import pickle

# 示例字典
grades = {'Alice': 89, 'Bob': 72, 'Charles': 87}

# 使用 dumps 将对象转换为序列化字符串
serial_grades = pickle.dumps(grades)

# 使用 loads 反序列化为对象
received_grades = pickle.loads(serial_grades)

如果您正在寻找支持多种语言的序列化模块，那么 Google 的 Protobuf 库就是一个选择。

序列化serialization

Flat vs. Nested data

序列化格式

文本序列化格式

简单文件(扁平数据)

repr()

ast.literal_eval()

CSV 文件 (扁平数据)

YAML (嵌套数据)

JSON 文件 (嵌套数据)

XML (嵌套数据)

二进制序列化格式

NumPy Array (扁平数据)

Pickle (扁平数据)

Protobuf

欢迎关注公众号: import hello

站内搜索