不能直接用 pickle.dump() 保存任意自定义类，因其依赖类的完整模块路径且存在任意代码执行风险；应重写 __reduce__() 返回可控构造逻辑，并优先选用 JSON、Protobuf 等安全替代方案。
为什么不能直接用 pickle.dump() 保存任意自定义类？
因为 pickle 默认序列化时会记录类的完整模块路径（如 myproject.models.User），反序列化时必须能原样导入该路径——一旦模块重命名、文件移动、包结构变化，pickle.load() 就抛 ModuleNotFoundError 或 AttributeError。更危险的是，pickle 可执行任意代码，加载不受信数据等于运行远程命令。
如何让自定义类支持可控的 pickle 行为？
重写 __reduce__() 方法，显式控制重建逻辑，避免依赖原始模块路径。它应返回一个可调用对象和其参数元组：
def __reduce__(self):
# 返回 (构造函数, (参数1, 参数2, ...))
return (MyClass._from_dict, ({"name": self.name, "id": self.id},))
同时提供静态工厂方法 _from_dict 负责实例重建。这样即使类被移走，只要工厂方法还在、参数结构没变，就能恢复对象。
- 不要在
__reduce__中返回(MyClass, (...))—— 这仍会硬编码类路径 - 避免在
__reduce__中引用闭包或局部函数，它们无法跨进程/跨版本持久化 - 如果类有不可序列化的属性（如文件句柄、数据库连接），应在
__getstate__中剔除，否则pickle会报TypeError
哪些场景下 pickle 依然不安全？
即使你控制了 __reduce__，只要反序列化输入来源不可信（比如来自网络请求、用户上传文件），就仍有风险。因为攻击者可以构造恶意 payload，触发任意全局函数调用——例如返回 (os.system, ("rm -rf /",))。
librosa 是一个用于音频和音乐分析的 Python 库。它提供了特征提取、频谱分析、节拍跟踪、起始检测和音频可视化的工具，基于 NumPy 和 SciPy 构建，用于科学音频计算。
立即学习“Python免费学习笔记（深入）”；
- 永远不要对未校验的字节流调用
pickle.load()或pickle.loads() - 生产环境建议改用
json+ 显式from_dict构造，或dataclasses.asdict()配合类型检查 - 若必须用 pickle，至少限制协议版本（
protocol=4或更高）并配合RestrictedUnpickler类做白名单过滤
替代方案：什么时候该放弃 pickle？
当需要跨语言、长期存储、或与不可信方交换数据时，pickle 就不该出现。JSON、MessagePack、Protobuf 更合适——它们不绑定 Python 运行时，也不执行代码。
例如用 dataclass + typing 注解 + pydantic.BaseModel，能获得序列化、校验、文档一体化能力，且默认禁用任意代码执行：
class User(BaseModel):
name: str
id: int
<h1>安全序列化</h1><p>data = user.json() # → str
user = User.parse_raw(data) # ← 类型安全反序列化
真正棘手的不是“怎么让 pickle 工作”，而是“为什么非得用它”——这个问题比实现细节重要得多。
