Python类序列化应避免直接使用pickle，因其存在兼容性、安全性和可维护性问题；推荐优先采用字典+JSON方案，通过to_dict()和from_dict()显式控制字段，并对特殊类型做预处理；复杂场景可选用dataclass+dacite或pydantic提升开发效率与健壮性。
Python中类对象序列化不是自动支持的，直接用pickle虽能工作，但存在兼容性、安全性与可维护性隐患。关键在于明确“序列化目的”——是临时缓存、进程间传递，还是长期存储或跨语言交互？不同场景应选不同方案。
避免直接pickle自定义类实例
pickle会序列化类的模块路径和属性值，一旦类名、模块位置或结构变动（如重命名、重构目录），反序列化就会失败。它还执行任意代码，加载不受信数据有严重安全风险。
- 不用于网络传输或持久化存储（尤其来自外部输入）
- 不跨Python版本或部署环境使用（如开发机dump，生产机load）
- 若必须用，确保类定义稳定，且只在可信、封闭环境中使用
优先用字典+JSON实现轻量、安全、跨语言序列化
把对象转为普通字典（即“数据平面化”），再用json序列化。这是最通用、最可控的方式。
macOS UI 自动化技能包 —— 用 Python 控制你的 Mac
下载
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
- 在类中定义
to_dict()方法，显式声明要保存的字段 - 提供
from_dict(cls, data)类方法重建实例，避免依赖__dict__隐式行为 - 对嵌套对象、日期、枚举等非JSON原生类型，提前转换（如
datetime.isoformat()） - 示例：
json.dumps(obj.to_dict(), ensure_ascii=False)
复杂场景考虑dataclass + dacite 或 pydantic
当模型字段多、需校验、默认值、类型转换或嵌套结构时，手动写to_dict易出错。可用工具辅助：
立即学习“Python免费学习笔记（深入）”；
-
dataclasses.asdict()快速转字典，配合dacite.from_dict()反向构造，适合内部服务间通信 -
pydantic.BaseModel自带.model_dump()和.model_validate()，支持验证、类型强制、别名、序列化钩子，适合API或配置场景 - 注意：二者都要求字段可被JSON序列化，否则仍需自定义
json_encoders或serialize方法
特殊类型需单独处理
文件句柄、线程锁、数据库连接、lambda函数等无法序列化。设计类时就应区分“状态数据”和“运行时资源”：
- 将不可序列化属性标记为
__slots__外字段，或在__getstate__中排除（仅对pickle有效） - 用
__post_init__或model_post_init在反序列化后重建临时资源 - 对NumPy数组、Pandas DataFrame等科学计算对象，用
.tolist()或.to_dict()降维，或改用joblib/zarr专用格式
