pickle是Python对象序列化为二进制字节流的机制，依赖类定义存在，不支持lambda、局部类、文件句柄等；反序列化不可信数据有安全风险，推荐json/msgpack跨语言、dill/joblib替代。
Python 的 pickle 模块是实现类与对象序列化的最直接方式，但它不是万能的“黑箱”，用对了省时省力，用错了会报错、丢数据甚至引发安全风险。
什么是 pickle：对象到字节流的“快照”
pickle 不是把对象转成 JSON 那样的文本格式，而是将 Python 对象的状态（包括类型、属性值、引用关系）原样封存为二进制字节流。它专为 Python 生态设计，反序列化时必须能重新导入原始类定义。
例如有一个简单类：
class Person:def __init__(self, name, age):
self.name = name
self.age = age
创建实例 p = Person("Alice", 30) 后，用 pickle.dumps(p) 得到一串字节；再用 pickle.loads(字节) 就能还原出完全相同的对象（前提是运行环境中已定义 Person 类）。
立即学习“Python免费学习笔记（深入）”；
常见踩坑点：哪些对象不能 pickle？
pickle 无法处理以下几类内容，遇到就会抛 AttributeError 或 PicklingError：
- lambda 函数、嵌套函数、未命名的局部函数
- 模块顶层以外定义的类（比如在函数内部定义的 class）
- 打开的文件对象、网络连接、数据库游标等运行时资源
- 某些 C 扩展类型（如 NumPy 数组需用
numpy.save更稳妥）
如果类中包含不可 pickle 的属性（如临时缓存或 socket），可重写 __getstate__ 方法，返回一个剔除这些字段的字典。
安全警告：不要 unpickle 不可信的数据
pickle 反序列化过程会执行任意代码（如调用 __reduce__ 返回的构造逻辑），恶意构造的字节流可能删除文件、启动进程。生产环境绝对禁止用 pickle.loads() 解析来自用户、网络或外部文件的输入。
替代方案推荐：
- 需要跨语言 → 用
json（仅支持基础类型）或msgpack - 需保留 Python 类型且可信环境 →
pickle仍是最简方案 -
大数据科学场景 →
dill（支持更多对象类型）或joblib（针对 numpy/scikit-learn 优化）
实用技巧：保存/加载类实例到文件
最常用模式是搭配 open(..., "wb") 和 open(..., "rb")：
with open("person.pkl", "wb") as f:
pickle.dump(p, f)
# 加载
with open("person.pkl", "rb") as f:
p2 = pickle.load(f)
注意：多个对象可连续 pickle.dump() 到同一文件，读取时也需按顺序多次 pickle.load()；若想一次存多个，建议先放进列表再 dump。
不复杂但容易忽略：版本兼容性。不同 Python 版本的 pickle 协议默认不同（如 Python 3.8 默认 protocol=4），低版本可能无法加载高版本生成的文件。显式指定协议可提升兼容性：pickle.dump(obj, f, protocol=4)。
