


Comment puis-je rendre les objets personnalisés JSON sérialisables sans sous-classer « json.JSONEncoder » ?
Rendre les objets JSON sérialisables avec l'encodeur normal
La méthode par défaut pour sérialiser des objets personnalisés non sérialisables en JSON consiste à sous-classer json.JSONEncoder et à transmettre un encodeur personnalisé à json.dumps(). Cela ressemble généralement à ce qui suit :
<code class="python">class CustomEncoder(json.JSONEncoder): def default(self, obj): if isinstance(obj, Foo): return obj.to_json() return json.JSONEncoder.default(self, obj) print(json.dumps(obj, cls=CustomEncoder))</code>
Cependant, que se passe-t-il si vous souhaitez rendre un objet sérialisable avec l'encodeur par défaut ? Après avoir examiné le code source du module json, il semble que l'extension directe de l'encodeur ne répondra pas à cette exigence.
Au lieu de cela, vous pouvez utiliser une technique appelée "monkey-patching" dans le script d'initialisation __init__.py de votre package. Cela affecte toutes les sérialisations ultérieures des modules JSON puisque les modules ne sont généralement chargés qu'une seule fois et que le résultat est mis en cache dans sys.modules.
Le correctif modifierait la méthode par défaut de l'encodeur JSON par défaut pour rechercher une méthode "to_json" unique. et utilisez-le pour encoder l'objet s'il est trouvé.
Voici un exemple implémenté en tant que module autonome pour plus de simplicité :
<code class="python"># Module: make_json_serializable.py from json import JSONEncoder def _default(self, obj): return getattr(obj.__class__, "to_json", _default.default)(obj) _default.default = JSONEncoder.default # Save unmodified default. JSONEncoder.default = _default # Replace it.</code>
L'utilisation de ce patch est simple : il suffit d'importer le module pour appliquer le singe -patch.
<code class="python"># Sample client script import json import make_json_serializable # apply monkey-patch class Foo(object): def __init__(self, name): self.name = name def to_json(self): # New special method. """Convert to JSON format string representation.""" return '{"name": "%s"}' % self.name foo = Foo('sazpaz') print(json.dumps(foo)) # -> '{"name": "sazpaz"}'</code>
Pour conserver les informations sur le type d'objet, la méthode to_json peut les inclure dans la chaîne renvoyée :
<code class="python">def to_json(self): """Convert to JSON format string representation.""" return '{"type": "%s", "name": "%s"}' % (self.__class__.__name__, self.name)</code>
Cela produit un JSON qui inclut le nom de la classe :
{"type": "Foo", "name": "sazpaz"}
La magie réside ici
Une approche encore plus puissante consiste à demander à la méthode de remplacement par défaut de sérialiser automatiquement la plupart des objets Python, y compris les instances de classe définies par l'utilisateur, sans nécessiter une méthode unique.
Après avoir recherché plusieurs alternatives, l'approche suivante basée sur pickle semble la plus proche de cet idéal :
<code class="python"># Module: make_json_serializable2.py from json import JSONEncoder import pickle def _default(self, obj): return {"_python_object": pickle.dumps(obj)} JSONEncoder.default = _default # Replace with the above.</code>
Bien que tout ne puisse pas être picklé (par exemple, les types d'extensions), pickle fournit des méthodes pour les gérer via un protocole. en utilisant des méthodes uniques. Cependant, cette approche couvre plus de cas.
Désérialisation
L'utilisation du protocole pickle simplifie la reconstruction de l'objet Python d'origine en fournissant un argument de fonction object_hook personnalisé à json.loads() lors de la rencontre d'un "_python_object" clé dans le dictionnaire.
<code class="python">def as_python_object(dct): try: return pickle.loads(str(dct['_python_object'])) except KeyError: return dct pyobj = json.loads(json_str, object_hook=as_python_object)</code>
Cela peut être simplifié en une fonction wrapper :
<code class="python">json_pkloads = functools.partial(json.loads, object_hook=as_python_object) pyobj = json_pkloads(json_str)</code>
Ce code ne fonctionne pas dans Python 3 car json.dumps() renvoie un objet bytes que JSONEncoder ne peut pas gérer. Toutefois, la démarche reste valable avec la modification suivante :
<code class="python">def _default(self, obj): return {"_python_object": pickle.dumps(obj).decode('latin1')} def as_python_object(dct): try: return pickle.loads(dct['_python_object'].encode('latin1')) except KeyError: return dct</code>
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!

Outils d'IA chauds

Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes

AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.

Undress AI Tool
Images de déshabillage gratuites

Clothoff.io
Dissolvant de vêtements AI

Video Face Swap
Échangez les visages dans n'importe quelle vidéo sans effort grâce à notre outil d'échange de visage AI entièrement gratuit !

Article chaud

Outils chauds

Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit

SublimeText3 version chinoise
Version chinoise, très simple à utiliser

Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP

Dreamweaver CS6
Outils de développement Web visuel

SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)

Sujets chauds











Python est plus facile à apprendre et à utiliser, tandis que C est plus puissant mais complexe. 1. La syntaxe Python est concise et adaptée aux débutants. Le typage dynamique et la gestion automatique de la mémoire le rendent facile à utiliser, mais peuvent entraîner des erreurs d'exécution. 2.C fournit des fonctionnalités de contrôle de bas niveau et avancées, adaptées aux applications haute performance, mais a un seuil d'apprentissage élevé et nécessite une gestion manuelle de la mémoire et de la sécurité.

Pour maximiser l'efficacité de l'apprentissage de Python dans un temps limité, vous pouvez utiliser les modules DateTime, Time et Schedule de Python. 1. Le module DateTime est utilisé pour enregistrer et planifier le temps d'apprentissage. 2. Le module de temps aide à définir l'étude et le temps de repos. 3. Le module de planification organise automatiquement des tâches d'apprentissage hebdomadaires.

Python est meilleur que C dans l'efficacité du développement, mais C est plus élevé dans les performances d'exécution. 1. La syntaxe concise de Python et les bibliothèques riches améliorent l'efficacité du développement. Les caractéristiques de type compilation et le contrôle du matériel de CC améliorent les performances d'exécution. Lorsque vous faites un choix, vous devez peser la vitesse de développement et l'efficacité de l'exécution en fonction des besoins du projet.

Est-ce suffisant pour apprendre Python pendant deux heures par jour? Cela dépend de vos objectifs et de vos méthodes d'apprentissage. 1) Élaborer un plan d'apprentissage clair, 2) Sélectionnez les ressources et méthodes d'apprentissage appropriées, 3) la pratique et l'examen et la consolidation de la pratique pratique et de l'examen et de la consolidation, et vous pouvez progressivement maîtriser les connaissances de base et les fonctions avancées de Python au cours de cette période.

Python et C ont chacun leurs propres avantages, et le choix doit être basé sur les exigences du projet. 1) Python convient au développement rapide et au traitement des données en raison de sa syntaxe concise et de son typage dynamique. 2) C convient à des performances élevées et à une programmation système en raison de son typage statique et de sa gestion de la mémoire manuelle.

PythonlistSaReparmentofthestandardLibrary, tandis que les coloccules de colocède, tandis que les colocculations pour la base de la Parlementaire, des coloments de forage polyvalent, tandis que la fonctionnalité de la fonctionnalité nettement adressée.

Python excelle dans l'automatisation, les scripts et la gestion des tâches. 1) Automatisation: La sauvegarde du fichier est réalisée via des bibliothèques standard telles que le système d'exploitation et la fermeture. 2) Écriture de script: utilisez la bibliothèque PSUTIL pour surveiller les ressources système. 3) Gestion des tâches: utilisez la bibliothèque de planification pour planifier les tâches. La facilité d'utilisation de Python et la prise en charge de la bibliothèque riche en font l'outil préféré dans ces domaines.

Les applications clés de Python dans le développement Web incluent l'utilisation des cadres Django et Flask, le développement de l'API, l'analyse et la visualisation des données, l'apprentissage automatique et l'IA et l'optimisation des performances. 1. Framework Django et Flask: Django convient au développement rapide d'applications complexes, et Flask convient aux projets petits ou hautement personnalisés. 2. Développement de l'API: Utilisez Flask ou DjangorestFramework pour construire RestulAPI. 3. Analyse et visualisation des données: utilisez Python pour traiter les données et les afficher via l'interface Web. 4. Apprentissage automatique et AI: Python est utilisé pour créer des applications Web intelligentes. 5. Optimisation des performances: optimisée par la programmation, la mise en cache et le code asynchrones
