python序列化模块

1. 序列化一般用于二个地方： 

    1> 数据存储，如写文件，数据入库

    2> 网络上传输数据的时候

2. 序列化/反序列化：

    1> 序列化：从数据类型(int,dict,tuple,list等) --> 字符串的过程

    2> 反序列化：从字符串 --> 数据类型的过程

3. json (常用模块)：

     1> 通用的序列化格式

     2> 只有很少的一部分数据类型能通过json转化为字符串

     3>  json能序列化的数据类型有：数字，字符串，列表，字典，元组(序列化时当成列表序列化的)

#json  dumps序列化方法  loads反序列化方法
import json
dic={"k":"v"}
print(type(dic),dic)

str_d=json.dumps(dic)  #序列化
print(type(str_d),str_d)
#json格式： ‘{"k1":"v1"}‘ , 外面是一个单引号，内部的所有字符串都要使用双引号引起来

dic_d=json.loads(str_d)  #反序列化
print(type(dic_d),dic_d)

     4> dump：将数据序列化到文件中(只有字符串才能写入文件)

import  json

# dump：与文件相关的操作
dic = {‘a‘:‘中国‘,‘b‘:‘22‘}
f=open(‘ff‘,‘w‘,encoding=‘utf-8‘)

json.dump(dic,f,ensure_ascii=False)  #序列化, ensure_ascii为False时，中文字符写入文件中后仍为中文
f.close()

    5> load： 将文件中的字符中反序列化成原数据类型的数据

import json

f=open(‘ff‘,‘r‘,encoding=‘utf-8‘) #ff是一个已存的文件，写了一个字典的数据 dic_d =json.load(f) #反序列化
f.close()
print(type(dic_d),dic_d)

    重点：

            a> dumps/loads： 直接操作内存中的数据类型；

            b> dump/load：直接操作文件中的数据；

            c> dump/load：dump可以将多次写入内容到文件中，但是写入后，load无法多次读出，因为不知道每次读到哪里；

            d> 所以dump和load使用时，一次性写入全部内容，再一次性读出所有内容；

    6> 如果想多次写入内容后，再多次读出来，怎么办？

import  json

#一个一个字典的写入
list_1 = [{‘a‘:‘中国‘},{‘b‘:‘22‘},{‘c‘:‘33‘}]
f=open(‘ff‘,‘w‘,encoding=‘utf-8‘)
for dic in list_1:
    str_dic=json.dumps(dic,ensure_ascii=False)
    f.write(str_dic+‘\n‘)
f.close()

#一行一行读出
f=open(‘ff‘,encoding=‘utf-8‘)
list_2=[]
for line in f:
    dic=json.loads(line.strip()) #strip()去掉换行
    list_2.append(dic)
f.close()
print(list_2)

4. pickle：

     1> 所有的python中的数据类型都可以通过pickle转化成字符串；

     2> pickle序列化的内容只有python能识别；

     3> 部分反序列化依赖python代码；

     4> 同json一样，常用方法有 dumps/loads，dump/load；

     5> dumps出来的内容为base格式(二进制)字符串；

     6> dump和load时，对于文件的写入和读出，要用‘wb‘和‘rb’形式；

     7> dump和load，可以多次dump内容写入文件，再多次load从文件中读出；

import  pickle,time
struct_time1=time.localtime(1000000000)
struct_time2=time.localtime(2000000000)
print(struct_time1)
print(struct_time2)
f=open(‘pickle_file‘,‘wb‘)
pickle.dump(struct_time1,f)  #可以多次dump写入
pickle.dump(struct_time2,f)
f.close()

f=open(‘pickle_file‘,‘rb‘)
struct_time1=pickle.load(f)  #再多次load读出
struct_time2=pickle.load(f)
print(struct_time1.tm_year)
print(struct_time2.tm_year)

5. shelve：

     1> 操作简单，序列化句柄；

     2> 使用句柄直接操作，非常方便；

     3> 只有一个open方法，通过key来访问，用法类似字典；

import shelve
f=shelve.open(‘shelve_file‘)
f[‘firt‘]={‘int‘:10,‘float‘:9.5,‘string‘:‘Sample data‘} #直接对文件句柄f操作，就可以存入数据
f[‘second‘]={1,2.4,‘aa‘,(‘中国‘,‘bb‘)} #写入后，会生成一些后缀为.bak，.dat，.dir文件
f.close()

f1=shelve.open(‘shelve_file‘)
existing1=f1[‘firt‘] #取出数据时也只需要直接用key获取即可，但是若key不存在会报错
existing2=f1[‘second‘]
f1.close()
print(existing1)
print(existing2)

      4> shelve在默认情况下不会记录持久化对象的任务修改，需要在shelve.open()时修改默认参数writeback，否则对象的修改不会保存

import shelve
f1=shelve.open(‘shelve_file‘)
print(f1[‘firt‘])
f1[‘firt‘][‘new_value‘]=‘this was a new add value‘
print(f1[‘firt‘]) #新增加的内容没有保存下来
f1.close()

import shelve
f1=shelve.open(‘shelve_file‘,writeback=True)
print(f1[‘firt‘])
f1[‘firt‘][‘new_value‘]=‘this was a new add value‘
print(f1[‘firt‘]) #新增加的内容保存下来了！！
f1.close()

     5> writeback优化点：

           a> 优化：让对象的持久化对用户更加的透明了；

           b> 缺点：shelve在open()时增加额外内存，当DB在close()时，会将缓存中每个对象都重新写入DB，因为shelve无法知道缓存中哪些对象修改了，哪些对象没有修改；