对象序列化（Object Serialization）

在数据存储的上下文中，序列化是将数据结构或对象状态转换为可以存储（例如，在文件或存储缓冲器中）或稍后传输和重构的格式的过程。

在序列化中，对象被转换为可以存储的格式，以便以后能够对其进行反序列化并从序列化格式重新创建原始对象。

Pickle

Pickling是将Python对象层次结构转换为要写入文件的字节流（通常不是人类可读的）的过程，这也称为序列化。 取消是反向操作，将字节流转换回工作的Python对象层次结构。

Pickle是操作上最简单的存储对象的方法。 Python Pickle模块是一种面向对象的方式，可以直接以特殊的存储格式存储对象。

它能做什么？

• Pickle可以非常轻松地存储和复制字典和列表。
• 存储对象属性并将它们还原到同一个状态。

什么泡菜不能做？

• 它不保存对象代码。 只有它的属性值。
• 它无法存储文件句柄或连接套接字。

简而言之，我们可以说，酸洗是一种在文件中存储和检索数据变量的方法，其中变量可以是列表，类等。

要腌制你必须的东西 -

• import pickle
• 将变量写入文件，例如

pickle.dump(mystring, outfile, protocol),

其中第三个参数协议是可选的要取消你必须的东西 -

进口泡菜

将变量写入文件，例如

myString = pickle.load(inputfile)

方法 (Methods)

pickle界面提供四种不同的方法。

• dump() - dump（）方法序列化为打开的文件（类文件对象）。

• dumps() - 序列化为字符串

• load() - 从类似开放的对象反序列化。

• loads() - 从字符串反序列化。

基于以上程序，下面是“酸洗”的一个例子。

输出 (Output)

My Cat pussy is White and has 4 legs
Would you like to see her pickled? Here she is!
b'\x80\x03c__main__\nCat\nq\x00)\x81q\x01}q\x02(X\x0e\x00\x00\x00number_of_legsq\x03K\x04X\x05\x00\x00\x00colorq\x04X\x05\x00\x00\x00Whiteq\x05ub.'

因此，在上面的示例中，我们创建了一个Cat类的实例，然后我们将它腌制，将我们的“Cat”实例转换为一个简单的字节数组。

这样，我们可以轻松地将字节数组存储在二进制文件或数据库字段中，并在以后从我们的存储支持将其恢复为原始格式。

此外，如果要创建带有pickle对象的文件，可以使用dump（）方法（而不是dumps *（）* one）同时传递打开的二进制文件，并且pickling结果将自动存储在文件中。

[….]
binary_file = open(my_pickled_Pussy.bin', mode='wb')
my_pickled_Pussy = pickle.dump(Pussy, binary_file)
binary_file.close()

Unpickling (Unpickling)

采用二进制数组并将其转换为对象层次结构的过程称为unpickling。

通过使用pickle模块的load（）函数完成unpickling过程，并从简单的字节数组返回一个完整的对象层次结构。

我们在前面的例子中使用load函数。

输出 (Output)

MeOw is black
Pussy is white

JSON

JSON（JavaScript Object Notation）已经成为Python标准库的一部分，是一种轻量级的数据交换格式。 人类很容易读写。 它很容易解析和生成。

由于其简单性，JSON是我们存储和交换数据的一种方式，它通过其JSON语法实现，并在许多Web应用程序中使用。 因为它是人类可读的格式，这可能是在数据传输中使用它的原因之一，除了它在使用API​​时的有效性。

JSON格式数据的示例如下 -

{"EmployID": 40203, "Name": "Zack", "Age":54, "isEmployed": True}

Python使得使用Json文件变得简单。 为此目的而使用的模块是JSON模块。 应该在Python安装中包含（内置）此模块。

那么让我们看看如何将Python字典转换为JSON并将其写入文本文件。

JSON到Python

读JSON意味着将JSON转换为Python值（对象）。 json库将JSON解析为Python中的字典或列表。 为了做到这一点，我们使用loads（）函数（从字符串加载），如下所示 -

输出 (Output)

下面是一个示例json文件，

data1.json
{"menu": {
   "id": "file",
   "value": "File",
   "popup": {
      "menuitem": [
         {"value": "New", "onclick": "CreateNewDoc()"},
         {"value": "Open", "onclick": "OpenDoc()"},
         {"value": "Close", "onclick": "CloseDoc()"}
      ]
   }
}}

上面的内容（Data1.json）看起来像传统的字典。 我们可以使用pickle来存储这个文件，但它的输出不是人类可读的形式。

JSON（Java脚本对象通知）是一种非常简单的格式，这也是它受欢迎的原因之一。 现在让我们通过以下程序查看json输出。

输出 (Output)

上面我们打开json文件（data1.json）进行读取，获取文件处理程序并传递给json.load并获取对象。 当我们尝试打印对象的输出时，它与json文件相同。 虽然对象的类型是字典，但它作为Python对象出现。 当我们看到这个泡菜时，写入json很简单。 上面我们加载json文件，添加另一个键值对并将其写回到同一个json文件中。 现在，如果我们看到data1.json，它看起来不同.ie的格式与我们之前看不到的相同。

为了使我们的输出看起来相同（人类可读的格式），将几个参数添加到我们程序的最后一行，

json.dump(conf, fh, indent = 4, separators = (‘,’, ‘: ‘))

与pickle类似，我们可以使用转储打印字符串并使用load加载。 以下是一个例子，

YAML

YAML可能是所有编程语言中最人性化的数据序列化标准。

Python yaml模块称为pyaml

YAML是JSON的替代品 -

• Human readable code - YAML是人类可读的格式，因此即使其首页内容也显示在YAML中以表明这一点。

• Compact code - 在YAML中，我们使用空格缩进来表示结构而不是括号。

• Syntax for relational data - 对于内部引用，我们使用锚点（＆）和别名（*）。

• One of the area where it is used widely is for viewing/editing of data structures - 例如配置文件，调试期间的转储和文档头。

安装YAML

由于yaml不是内置模块，我们需要手动安装它。 在Windows机器上安装yaml的最佳方法是通过pip。 在windows终端上运行以下命令安装yaml，

pip install pyaml (Windows machine)
sudo pip install pyaml (*nix and Mac)

在运行上面的命令时，屏幕将根据当前的最新版本显示如下所示的内容。

Collecting pyaml
Using cached pyaml-17.12.1-py2.py3-none-any.whl
Collecting PyYAML (from pyaml)
Using cached PyYAML-3.12.tar.gz
Installing collected packages: PyYAML, pyaml
Running setup.py install for PyYAML ... done
Successfully installed PyYAML-3.12 pyaml-17.12.1

要测试它，转到Python shell并导入yaml模块，导入yaml，如果没有找到错误，那么我们可以说安装成功。

安装pyaml后，让我们看下面的代码，

script_yaml1.py

上面我们创建了三种不同的数据结构，字典，列表和元组。 在每个结构上，我们做yaml.dump。 重要的一点是输出如何在屏幕上显示。

输出 (Output)

字典输出看起来很干净.ie。 核心价值。

用于分隔不同对象的空白区域。

列表标有破折号（ - ）

元组首先用!! Python /元组表示，然后以与列表相同的格式表示。

加载yaml文件

所以，假设我有一个yaml文件，其中包含，

---
# An employee record
name: Raagvendra Joshi
job: Developer
skill: Oracle
employed: True
foods:
   - Apple
   - Orange
   - Strawberry
   - Mango
languages:
   Oracle: Elite
   power_builder: Elite
   Full Stack Developer: Lame
education:
   4 GCSEs
   3 A-Levels
   MCA in something called com

现在让我们编写一个代码来通过yaml.load函数加载这个yaml文件。 下面是相同的代码。

由于输出看起来不那么可读，我最后通过使用json来美化它。 比较我们得到的输出和我们拥有的实际yaml文件。

输出 (Output)

软件开发最重要的一个方面是调试。 在本节中，我们将看到使用内置调试器或第三方调试器进行Python调试的不同方法。

PDB - Python调试器

模块PDB支持设置断点。 断点是程序的故意暂停，您可以在其中获取有关程序状态的更多信息。

要设置断点，请插入该行

pdb.set_trace()

例子 (Example)

pdb_example1.py
import pdb
x = 9
y = 7
pdb.set_trace()
total = x + y
pdb.set_trace()

我们在这个程序中插入了几个断点。 程序将在每个断点处暂停（pdb.set_trace（））。 要查看变量内容，只需键入变量名称即可。

c:\Python\Python361>Python pdb_example1.py
> c:\Python\Python361\pdb_example1.py(8)<module>()
-> total = x + y
(Pdb) x
9
(Pdb) y
7
(Pdb) total
*** NameError: name 'total' is not defined
(Pdb)

按c或继续执行程序直到下一个断点。

(Pdb) c
--Return--
> c:\Python\Python361\pdb_example1.py(8)<module>()->None
-> total = x + y
(Pdb) total
16

最终，您需要调试更大的程序 - 使用子程序的程序。 有时候，你试图找到的问题将存在于子程序中。 考虑以下程序。

import pdb
def squar(x, y):
   out_squared = x^2 + y^2
   return out_squared
if __name__ == "__main__":
   #pdb.set_trace()
   print (squar(4, 5))

现在运行上面的程序，

c:\Python\Python361>Python pdb_example2.py
> c:\Python\Python361\pdb_example2.py(10)<module>()
-> print (squar(4, 5))
(Pdb)

我们可以用? 获得帮助，但箭头表示即将执行的行。 在这一点上，按s到s进入该行是有帮助的。

(Pdb) s
--Call--
>c:\Python\Python361\pdb_example2.py(3)squar()
-> def squar(x, y):

这是对函数的调用。 如果您想要了解代码中的位置，请尝试l -

(Pdb) l
1 import pdb
2
3 def squar(x, y):
4 -> out_squared = x^2 + y^2
5
6 return out_squared
7
8 if __name__ == "__main__":
9 pdb.set_trace()
10 print (squar(4, 5))
[EOF]
(Pdb)

你可以点击n进入下一行。 此时，您位于out_squared方法内，并且您可以访问函数.ie x和y中声明的变量。

(Pdb) x
4
(Pdb) y
5
(Pdb) x^2
6
(Pdb) y^2
7
(Pdb) x**2
16
(Pdb) y**2
25
(Pdb)

所以我们可以看到^运算符不是我们想要的，而是我们需要使用**运算符来做正方形。

这样我们就可以在函数/方法中调试我们的程序。

日志记录 (Logging)

自Python 2.3版以来，日志记录模块已成为Python标准库的一部分。 由于它是一个内置模块，所有Python模块都可以参与日志记录，因此我们的应用程序日志可以包含您自己的消息，该消息与来自第三方模块的消息集成在一起。 它提供了很多灵活性和功能。

记录的好处

• Diagnostic logging - 它记录与应用程序操作相关的事件。

• Audit logging - 它记录业务分析的事件。

消息以“严重性”和最小值的级别写入和记录

• DEBUG (debug()) - 用于开发的诊断消息。

• INFO (info()) - 标准的“进度”消息。

• WARNING (warning()) - 检测到非严重问题。

• ERROR (error()) - 遇到错误，可能很严重。

• CRITICAL (critical()) - 通常是致命错误（程序停止）。

让我们看看下面的简单程序，

import logging
logging.basicConfig(level=logging.INFO)
logging.debug('this message will be ignored') # This will not print
logging.info('This should be logged') # it'll print
logging.warning('And this, too') # It'll print

上面我们在严重性级别上记录消息。 首先我们导入模块，调用basicConfig并设置日志记录级别。 我们在上面设置的级别是INFO。 然后我们有三个不同的语句:debug语句，info语句和警告语句。

logging1.py的输出

INFO:root:This should be logged
WARNING:root:And this, too

由于info语句低于debug语句，我们无法看到调试消息。 要在Output终端中获取调试语句，我们需要更改的是basicConfig级别。

logging.basicConfig(level = logging.DEBUG)

在输出中我们可以看到，

DEBUG:root:this message will be ignored
INFO:root:This should be logged
WARNING:root:And this, too

此外，默认行为意味着如果我们不设置任何日志记录级别是警告。 只需注释掉上面程序中的第二行并运行代码即可。

#logging.basicConfig(level = logging.DEBUG)

输出 (Output)

WARNING:root:And this, too

内置日志记录级别的Python实际上是整数。

>>> import logging
>>>
>>> logging.DEBUG
10
>>> logging.CRITICAL
50
>>> logging.WARNING
30
>>> logging.INFO
20
>>> logging.ERROR
40
>>>

我们还可以将日志消息保存到文件中。

logging.basicConfig(level = logging.DEBUG, filename = 'logging.log')

现在所有日志消息都将转到当前工作目录中的文件（logging.log）而不是屏幕。 这是一个更好的方法，因为它允许我们对我们得到的消息进行后期分析。

我们还可以使用日志消息设置日期戳。

logging.basicConfig(level=logging.DEBUG, format = '%(asctime)s %(levelname)s:%(message)s')

输出会得到类似的东西，

2018-03-08 19:30:00,066 DEBUG:this message will be ignored
2018-03-08 19:30:00,176 INFO:This should be logged
2018-03-08 19:30:00,201 WARNING:And this, too

基准测试(Benchmarking)

基准测试或分析基本上是为了测试代码的执行速度和瓶颈在哪里？ 这样做的主要原因是为了优化。

timeit

Python附带了一个名为timeit的内置模块。 您可以使用它来计算小代码片段的时间。 timeit模块使用特定于平台的时间函数，以便您可以获得最准确的时序。

因此，它允许我们比较每个代码的两个代码，然后优化脚本以获得更好的性能。

timeit模块具有命令行界面，但也可以导入。

调用脚本有两种方法。 让我们先使用脚本，为此运行下面的代码并查看输出。

import timeit
print ( 'by index: ', timeit.timeit(stmt = "mydict['c']", setup = "mydict = {'a':5, 'b':10, 'c':15}", number = 1000000))
print ( 'by get: ', timeit.timeit(stmt = 'mydict.get("c")', setup = 'mydict = {"a":5, "b":10, "c":15}', number = 1000000))

输出 (Output)

by index: 0.1809192126703489
by get: 0.6088525265034692

上面我们使用两个不同的方法.ie by下标并获取访问字典键值。 我们执行语句100万次，因为它对于非常小的数据执行得太快。 现在，与get相比，我们可以更快地看到索引访问。 我们可以多次运行代码，并且执行时间会略有不同，以便更好地理解。

另一种方法是在命令行中运行上述测试。 我们开始做吧，

c:\Python\Python361>Python -m timeit -n 1000000 -s "mydict = {'a': 5, 'b':10, 'c':15}" "mydict['c']"
1000000 loops, best of 3: 0.187 usec per loop
c:\Python\Python361>Python -m timeit -n 1000000 -s "mydict = {'a': 5, 'b':10, 'c':15}" "mydict.get('c')"
1000000 loops, best of 3: 0.659 usec per loop

以上输出可能因系统硬件以及系统中当前运行的所有应用程序而异。

下面我们可以使用timeit模块，如果我们想调用一个函数。 因为我们可以在函数内部添加多个语句来测试。

import timeit
def testme(this_dict, key):
   return this_dict[key]
print (timeit.timeit("testme(mydict, key)", setup = "from __main__ import testme; mydict = {'a':9, 'b':18, 'c':27}; key = 'c'", number = 1000000))

输出 (Output)

0.7713474590139164