1、pickle模块
python持久化的存储数据：
python程序运行中得到了一些字符串，列表，字典等数据，想要长久的保存下来，方便以后使用，而不是简单的放入内存中关机断电就丢失数据。python模块大全中pickle模块就排上用场了， 他可以将对象转换为一种可以传输或存储的格式。
pickle模块将任意一个python对象转换成一系统字节的这个操作过程叫做串行化对象。
python的pickle模块实现了python的所有数据序列和反序列化。基本上功能使用和JSON模块没有太大区别，方法也同样是dumps/dump和loads/load。cPickle是pickle模块的C语言编译版本相对速度更快。
与JSON不同的是pickle不是用于多种语言间的数据传输，它仅作为python对象的持久化或者python程序间进行互相传输对象的方法，因此它支持了python所有的数据类型。
import pickle data2 = [1,2,3,4] det_str = pickle.dumps(data2) print(det_str) #output： 输出为二进制格式 b'x80x03]qx00(Kx01Kx02Kx03Kx04e.' #将数据序列化后存储到文件中 f = open('test.txt','wb') #pickle只能以二进制格式存储数据到文件 data = {'k1':'python','k2':'java'} f.write(pickle.dumps(data)) #dumps序列化源数据后写入文件 f.close() #反序列化读取源数据 import pickle f = open('test.txt','rb') da = pickle.loads(f.read()) #使用loads反序列化 print(da)
dumps和dump，load和loads的区别：
dumps是将对象序列化
dump是将对象序列化并保存到文件中
loads将序列化字符串反序列化
load将序列化字符串从文件读取并反序列化
import pickle data1 = [1,'a',2,'b',3,'c'] pi = pickle.dumps(data1) #序列化对象 print(pi) print(pickle.loads(pi)) #反序列化对象 f = open('test1.txt','wb') data2 = ['py','th','on',123] pickle.dump(data2,f) #序列化对象到文件 f = open('test1.txt','rb') red = pickle.load(f) #从文件中反序列化对象 print(red)
2、json模块
JSON(JavaScript Object Notation) 是一种轻量级的数据交换格式。它基于ECMAScript的一个子集。 JSON采用完全独立于语言的文本格式，但是也使用了类似于C语言家族的习惯(包括C、C++、Java、JavaScript、Perl、Python等)。这些特性使JSON成为理想的数据交换语言。易于人阅读和编写，同时也易于机器解析和生成(一般用于提升网络传输速率)。
json.dump(obj，fp，*，skipkeys = False，ensure_ascii = True，check_circular = True，indent = None，separators = None，default = None，sort_keys = False，** kw)
将obj对象格式化并存储到文件对象中，文件必须为可写的文件句柄，json只产生str对象，不支持bytes对象，所以fp.write()必须支持str输入
skipkeys如果为True，对象的基本类型必须是str,int,float,bool,None
ensure_ascii=True，如果为true则所以传入的非ASCII字符都被转义，如果为false则字符将原样输出
check_circular=True，如果为true容器类型的循环引用检查将被跳过
indent=None，表示数组元素和对象将按指定的值缩进，可以是整数或字符串如' '
sort_keys=False，如果为True字典的输出将按键排序
import json data=[{'k1':'v1','k2':'v2'},{'k3':'v3','k4':'k4'},{'k6':'v6','k5':'k5'}] with open('test.txt','w') as pf: json.dump(data,pf,indent=2,sort_keys=True) pf.close() #output [ { "k1": "v1", "k2": "v2" }, { "k3": "v3", "k4": "k4" }, { "k5": "k5", "k6": "v6" } ]
json.dumps(obj，*，skipkeys = False，ensure_ascii = True，check_circular = True，indent = None，separators = None，default = None，sort_keys = False，** kw)
将obj对象格式化为str对象，参数含义和dump相同
import json data=[{'k1':'v1','k2':'v2'},{'k3':'v3','k4':'k4'},{'k6':'v6','k5':'k5'}] pi = json.dumps(data,indent=2,sort_keys=True) print(type(pi)) print(pi) p2=json.loads(pi) print(type(p2)) print(p2) # <class 'str'> [ { "k1": "v1", "k2": "v2" }, { "k3": "v3", "k4": "k4" }, { "k5": "k5", "k6": "v6" } ] <class 'list'> [{'k1': 'v1', 'k2': 'v2'}, {'k3': 'v3', 'k4': 'k4'}, {'k5': 'k5', 'k6': 'v6'}]
json.load(fp,*,cls=None,object_hook=None,parse_float=None,parse_int=None,parse_constant=None,object_pairs_hook=None,**kw)
将文件对象反序列化为python对象，选项参数用来指定类型解码，在python3.6中fp可以使用二进制文件
import json with open('test.txt','rb') as fp: data1=json.load(fp) print(type(data1)) print(data1) # <class 'list'> [{'k1': 'v1', 'k2': 'v2'}, {'k3': 'v3', 'k4': 'k4'}, {'k5': 'k5', 'k6': 'v6'}]
json.loads(s,*,encoding=None,cls=None,object_hook=None,parse_float=None,parse_int=None,parse_constant=None,object_pairs_hook=None,**kw)
将json文档的实例反序列化为python对象，参数含义同load()相同
import json with open('test.txt','rb') as fp: data1=json.loads(fp.read()) print(type(data1)) print(data1)
3、json与pickle模块的区别
1、JSON只能处理基本数据类型。pickle能处理所有Python的数据类型。
2、JSON用于各种语言之间的字符转换。pickle用于Python程序对象的持久化或者Python程序间对象网络传输，但不同版本的Python序列化可能还有差异。
4、shelve模块
shelve与pickle类似用来持久化数据的，不过shelve是以键值对的形式，将内存中的数据通过文件持久化，值支持任何pickle支持的python数据格式，它会在目录下生成三个文件。
>>> import shelve >>> import tab >>> s = shelve.open('test_s.db') #创建shelve并打开 >>> s['k1']={'int':10,'float':8.8,'string':'python'} #写入数据 >>> s.close() #关闭文件 >>> s = shelve.open('test_s.db') #打开文件 >>> print(s['k1']) #访问shelve中的数据 {'float': 8.8, 'string': 'python', 'int': 10} >>> print(s['k1']['int']) 10
>>> s.close()
对于存储的key,value值，只能添加key,value，可修改整个value，不能单独修改列表或字典中的元素
>>> s = shelve.open('test_s.db',flag='r') >>> print(s['k1']) {'float': 8.8, 'string': 'python', 'int': 10} >>> s['k2']=[1,2,3] #添加数据 >>> print(s['k2']) [1, 2, 3] >>> s['k2'][0]=99 #修改存储的value的单个值时不生效也不报错 >>> print(s['k2']) [1, 2, 3] >>> s.close() >>> s = shelve.open('test_s.db',flag='c') >>> s.keys() KeysView(<shelve.DbfilenameShelf object at 0x7fd4770f1850>) >>> len(s) 2 >>> s['k2']=(33,44) #可以修改key的value >>> print(s) <shelve.DbfilenameShelf object at 0x7fd4770f1850> >>> print(s['k2']) (33, 44)
写回(write-back)由于shelve在默认情况下是不会记录待持久化对象的任何修改的，所以我们在shelve.open()时候需要修改默认参数，否则对象的修改不会保存。
上面这个例子中，由于一开始我们使用了缺省参数shelve.open()了，因此修改的值即使我们s.close()也不会被保存。
所以当我们试图让shelve去自动捕获对象的变化，我们应该在打开shelf的时候将writeback设置为True。当我们将writeback这个flag设置为True以后，shelf将会将所有从DB中读取的对象存放到一个内存缓存。当我们close()打开的shelf的时候，缓存中所有的对象会被重新写入DB。
>>> s = shelve.open('test_s.db',writeback=True) #使用回写功能打开 >>> print(s['k1']) #初始值 {'float': 8.8, 'string': 'python', 'int': 10} >>> print(s['k2']) (33, 44) >>> s['k1']['float']='99.99' #修改字典中的元素 >>> print(s['k1']) #成功修改 {'float': '99.99', 'string': 'python', 'int': 10}
writeback方式有优点也有缺点。优点是减少了我们出错的概率，并且让对象的持久化对用户更加的透明了；但这种方式并不是所有的情况下都需要，首先，使用writeback以后，shelf在open()的时候会增加额外的内存消耗，并且当DB在close()的时候会将缓存中的每一个对象都写入到DB，这也会带来额外的等待时间。因为shelve没有办法知道缓存中哪些对象修改了，哪些对象没有修改，因此所有的对象都会被写入。
>>> print(s['k1']) {'float': '99.99', 'string': 'python', 'int': 10} >>> s['k1']['list']=[1,2,3] >>> s['k1']['tuple']=(4,5,6) >>> s['k1']['dic']={'a':123,'b':456} >>> print(s['k1']) {'dic': {'b': 456, 'a': 123}, 'int': 10, 'float': '99.99', 'string': 'python', 'tuple': (4, 5, 6), 'list': [1, 2, 3]}