Python-Pickle-Modul

Persistenz bedeutet, Objekte auch zwischen mehreren Ausführungen desselben Programms beizubehalten. In diesem Artikel erhalten Sie einen Überblick über die verschiedenen Persistenzmechanismen für Python-Objekte, von relationalen Datenbanken bis hin zu Pythons Pickle und anderen Mechanismen. Darüber hinaus erhalten Sie ein tieferes Verständnis der Objektserialisierungsfunktionen von Python.

Was ist Beharrlichkeit?

Die Grundidee der Beharrlichkeit ist einfach. Angenommen, Sie haben ein Python-Programm, vielleicht ein Programm, das tägliche Aufgaben verwaltet, und Sie möchten Anwendungsobjekte (Aufgaben) zwischen den Ausführungen des Programms speichern. Mit anderen Worten: Sie möchten das Objekt auf der Festplatte speichern, um es später leicht abrufen zu können. Das ist Beharrlichkeit. Es gibt mehrere Möglichkeiten, dies zu erreichen, jede mit ihren eigenen Vor- und Nachteilen.

Objektdaten können beispielsweise in einer Textdatei in einem bestimmten Format gespeichert werden, beispielsweise einer CSV-Datei. Oder Sie können eine relationale Datenbank wie Gadfly, MySQL, PostgreSQL oder DB2 verwenden. Diese Dateiformate und Datenbanken sind hervorragend und Python verfügt über robuste Schnittstellen zu all diesen Speichermechanismen.

Diese Speichermechanismen haben alle eines gemeinsam: Die gespeicherten Daten sind unabhängig von den Objekten und Programmen, die mit den Daten arbeiten. Dies hat den Vorteil, dass die Daten als gemeinsame Ressource für andere Anwendungen genutzt werden können. Der Nachteil besteht darin, dass auf diese Weise anderen Programmen der Zugriff auf die Daten des Objekts ermöglicht werden kann, was gegen das Prinzip der objektorientierten Kapselung verstößt – das heißt, auf die Daten des Objekts kann nur über die eigene öffentliche Schnittstelle des Objekts zugegriffen werden.

Außerdem ist ein relationaler Datenbankansatz für einige Anwendungen möglicherweise nicht ideal. Insbesondere verstehen relationale Datenbanken keine Objekte. Im Gegensatz dazu legen relationale Datenbanken ihr eigenes Typsystem und relationales Datenmodell (Tabellen) fest, wobei jede Tabelle eine Reihe von Tupeln (Zeilen) und jede Zeile eine feste Anzahl statisch typisierter Felder (Spalten) enthält. Wenn das Objektmodell Ihrer Anwendung nicht einfach in ein relationales Modell konvertiert werden kann, werden Sie Schwierigkeiten haben, Objekte Tupeln und Tupeln wieder Objekten zuzuordnen. Diese Schwierigkeit wird oft als Impedanz-Mismatch-Problem bezeichnet.

Objektpersistenz

Wenn Sie Python-Objekte transparent speichern möchten, ohne Informationen wie ihre Identität und ihren Typ zu verlieren, benötigen Sie eine Form der Objektserialisierung: Es handelt sich um einen beliebig komplexen Prozess der Konvertierung von Objekten Objekt in einen Text oder eine binäre Darstellung des Objekts um. Ebenso muss es möglich sein, die serialisierte Form eines Objekts in ihre ursprüngliche Form wiederherzustellen. In Python wird dieser Serialisierungsprozess Pickle genannt, und Objekte können in Strings, Dateien auf der Festplatte oder beliebige dateiähnliche Objekte umgewandelt werden, und diese Strings, Dateien oder beliebige dateiähnliche Objekte können auch in Originalobjekte entpickelt werden. Wir werden Pickle später in diesem Artikel ausführlich besprechen.

Gehen Sie davon aus, dass Sie alles als Objekt speichern möchten und den Aufwand für die Konvertierung des Objekts in eine Art nicht-objektbasierten Speicher vermeiden möchten, dann können Pickle-Dateien diese Vorteile bieten, aber manchmal ist das möglich Ich brauche etwas Einfacheres als diese Pickle-Dateien, die robuster und skalierbarer sind. Pickle allein kann beispielsweise die Probleme beim Benennen und Auffinden von Pickle-Dateien nicht lösen und unterstützt auch nicht den gleichzeitigen Zugriff auf persistente Objekte. Wenn Sie diese Funktionen benötigen, müssen Sie auf eine Datenbank wie ZODB (Z Object Database for Python) zurückgreifen. ZODB ist ein robustes, mehrbenutzer- und objektorientiertes Datenbanksystem, das Python-Objekte beliebiger Komplexität speichern und verwalten kann und Transaktionsoperationen und Parallelitätskontrolle unterstützt. (Siehe Ressourcen zum Herunterladen von ZODB.) Interessanterweise verlässt sich sogar ZODB auf die nativen Serialisierungsfunktionen von Python, und um ZODB effektiv nutzen zu können, müssen Sie über gute Kenntnisse von Pickle verfügen.

Eine weitere interessante Lösung für das Persistenzproblem ist Prevayler, das ursprünglich in Java implementiert wurde (siehe Ressourcen für den DeveloperWorks-Artikel zu Prevayler). Kürzlich hat eine Gruppe von Python-Programmierern Prevayler auf Python portiert, in PyPerSyst umbenannt und auf SourceForge gehostet (siehe Ressourcen für einen Link zum PyPerSyst-Projekt). Das Prevayler/PyPerSyst-Konzept baut auch auf den nativen Serialisierungsfähigkeiten der Sprachen Java und Python auf. PyPerSyst behält das gesamte Objektsystem im Speicher und ermöglicht eine Notfallwiederherstellung, indem es von Zeit zu Zeit System-Snapshots auf die Festplatte speichert und ein Befehlsprotokoll verwaltet, über das der neueste Snapshot erneut angewendet werden kann. Während also Anwendungen, die PyPerSyst verwenden, durch den verfügbaren Speicher begrenzt sind, besteht der Vorteil darin, dass das native Objektsystem vollständig in den Speicher passen kann, wodurch es extrem schnell und einfacher zu implementieren ist als eine Datenbank wie ZODB, die die Anzahl der Objekte zulässt können gleichzeitig im Gedächtnis gehalten werden.

Nachdem wir nun kurz die verschiedenen Methoden zum Speichern persistenter Objekte besprochen haben, ist es an der Zeit, den Pickle-Prozess im Detail zu untersuchen. Obwohl wir hauptsächlich daran interessiert sind, verschiedene Möglichkeiten zum Speichern von Python-Objekten zu erkunden, ohne sie in ein anderes Format konvertieren zu müssen, müssen wir uns noch ein paar Dinge ansehen, z. B. wie man einfache Objekte und komplexe Objekte, einschließlich Instanzen, effizient auswählt und entpickt von benutzerdefinierten Klassen; wie man Referenzen auf Objekte verwaltet, einschließlich zirkulärer und rekursiver Referenzen, und wie man Änderungen an Klassendefinitionen verarbeitet, damit zuvor ausgewählte Instanzen problemlos verwendet werden können. Auf all diese Themen werden wir später in unserer Diskussion der Pickle-Funktionen von Python eingehen.

Einige Pickle-Pythons

Das Pickle-Modul und sein Cousin cPickle bieten Pickle-Unterstützung für Python. Letzteres ist in C codiert, bietet eine bessere Leistung und für die meisten Anwendungen wird dieses Modul empfohlen. Wir werden uns weiterhin mit Pickle befassen, aber in den Beispielen dieses Artikels wird tatsächlich cPickle verwendet. Da die meisten dieser Beispiele mit einer Python-Shell gezeigt werden, zeigen wir zunächst, wie man cPickle importiert und als pickle bezeichnet:

>>> import cPickle as pickle

Nun Das Modul wurde importiert. Schauen wir uns die Pickle-Schnittstelle an. Das Pickle-Modul stellt die folgenden Funktionspaare bereit: dumps(object) gibt einen String zurück, der ein Objekt im Pickle-Format enthält; Loads(string) gibt das im Pickle-Format enthaltene Objekt zurück; dump(object, file) schreibt das Objekt in eine Datei file kann eine tatsächliche physische Datei sein, aber es kann auch ein beliebiges dateiähnliches Objekt sein. Dieses Objekt verfügt über eine write()-Methode, die einen einzelnen String-Parameter akzeptiert;

Standardmäßig verwenden dumps() und dump() eine druckbare ASCII-Darstellung, um Pickles zu erstellen. Beide akzeptieren einen optionalen Endparameter, der, wenn er True ist, angibt, dass das Pickle mit einer schnelleren und kleineren Binärdarstellung erstellt wird. Die Funktionen „loads()“ und „load()“ erkennen automatisch, ob die Pickle im Binär- oder Textformat vorliegt.

Listing 1 zeigt eine interaktive Sitzung mit den gerade beschriebenen Funktionen dumps() und Loads():

Listing 1. Demonstration von dumps() und Loads()

>>> import cPickle as pickle  
>>> t1 = ('this is a string', 42, [1, 2, 3], None)

>>> t1

('das ist eine Zeichenfolge', 42, [1, 2, 3], Keine)

>> ;> .dumps(t1)

>>> p1

"(S'this is a string'/nI42/n(lp1/nI1/naI2/ naI3/naNtp2/n. "

>>> print p1

(S'this is a string'

I42

(lp1

I1

aI2

aI3

aNtp2

.loads(p1)

>>> t2

('das ist eine Zeichenfolge', 42, [1, 2, 3], Keine)

>>> p2 = pickle.dumps(t1, True)

>>> p2

'(U/x10this is a stringK*]q/x01(K /x01K/x02K/x03eNtq/x02.'  

>>> ; t3 = pickle.loads(p2)  

>>> t3  

( 'das ist eine Zeichenfolge', 42, [1, 2, 3], Keine)

Hinweis: Das Text-Pickle-Format ist sehr einfach und wird hier nicht erklärt. Tatsächlich ist alles in der verwendeten Pickle-Konvention enthalten. Wir sollten auch darauf hinweisen, dass wir in unseren Beispielen einfache Objekte verwenden Die Verwendung des binären Pickle-Formats wird hinsichtlich der Platzersparnis keine große Effizienz zeigen. In einem realen System mit komplexen Objekten können Sie jedoch sehen, dass die Verwendung des Binärformats erhebliche Verbesserungen in Bezug auf Größe und Geschwindigkeit mit sich bringen kann.

Als nächstes Wir sehen uns einige Beispiele mit dump() und load() an, die Dateien und dateiähnliche Objekte verwenden. Die Funktionsweise dieser Funktionen ist der von uns gerade gesehenen Funktion „dumps()“ und „loads()“ sehr ähnlich, mit der Ausnahme, dass sie über eine weitere Funktion verfügen: Die Funktion „dump()“ kann mehrere Objekte nacheinander in derselben Datei ablegen. Nachfolgende Aufrufe von load() rufen diese Objekte in derselben Reihenfolge ab. Listing 2 zeigt diese Funktion in Aktion:

Listing 2. Beispiele für dump() und load()

Die Leistungsfähigkeit von Pickle

>>> a1 = 'apple'  
>>> b1 = {1: 'One', 2: 'Two', 3: 'Three'}  
>>> c1 = ['fee', 'fie', 'foe', 'fum']  
>>> f1 = file('temp.pkl', 'wb')  
>>> pickle.dump(a1, f1, True)  
>>> pickle.dump(b1, f1, True)  
>>> pickle.dump(c1, f1, True)  
>>> f1.close()  
>>> f2 = file('temp.pkl', 'rb')  
>>> a2 = pickle.load(f2)  
>>> a2  
'apple'  
>>> b2 = pickle.load(f2)  
>>> b2  
{1: 'One', 2: 'Two', 3: 'Three'}  
>>> c2 = pickle.load(f2)  
>>> c2  
['fee', 'fie', 'foe', 'fum']  
>>> f2.close()

Bisher haben wir das behandelt Grundlagen zum Thema Gurke. In diesem Abschnitt besprechen wir einige fortgeschrittene Probleme, auf die Sie stoßen, wenn Sie mit der Auswahl komplexer Objekte beginnen, einschließlich Instanzen benutzerdefinierter Klassen. Glücklicherweise kann Python diese Situation problemlos bewältigen.

Portabilität

从空间和时间上说，Pickle 是可移植的。换句话说，pickle 文件格式独立于机器的体系结构，这意味着，例如，可以在 Linux 下创建一个 pickle，然后将它发送到在 Windows 或 Mac OS 下运行的 Python 程序。并且，当升级到更新版本的 Python 时，不必担心可能要废弃已有的 pickle。Python 开发人员已经保证 pickle 格式将可以向后兼容 Python 各个版本。事实上，在 pickle 模块中提供了有关目前以及所支持的格式方面的详细信息.

清单 3. 检索所支持的格式

>>> pickle.format_version  
'1.3'  
>>> pickle.compatible_formats  
['1.0', '1.1', '1.2']

多个引用，同一对象

在 Python 中，变量是对象的引用。同时，也可以用多个变量引用同一个对象。经证明，Python 在用经过 pickle 的对象维护这种行为方面丝毫没有困难，如清单 4 所示：

清单 4. 对象引用的维护

>>> a = [1, 2, 3]  
>>> b = a  
>>> a  
[1, 2, 3]  
>>> b  
[1, 2, 3]  
>>> a.append(4)  
>>> a  
[1, 2, 3, 4]  
>>> b  
[1, 2, 3, 4]  
>>> c = pickle.dumps((a, b))  
>>> d, e = pickle.loads(c)  
>>> d  
[1, 2, 3, 4]  
>>> e  
[1, 2, 3, 4]  
>>> d.append(5)  
>>> d  
[1, 2, 3, 4, 5]  
>>> e  
[1, 2, 3, 4, 5]

循环引用和递归引用

可以将刚才演示过的对象引用支持扩展到 循环引用（两个对象各自包含对对方的引用）和 递归引用（一个对象包含对其自身的引用）。下面两个清单着重显示这种能力。我们先看一下递归引用：

>清单 5. 递归引用

>>> l = [1, 2, 3]  
>>> l.append(l)  
>>> l  
[1, 2, 3, [...]]  
>>> l[3]  
[1, 2, 3, [...]]  
>>> l[3][3]  
[1, 2, 3, [...]]  
>>> p = pickle.dumps(l)  
>>> l2 = pickle.loads(p)  
>>> l2  
[1, 2, 3, [...]]  
>>> l2[3]  
[1, 2, 3, [...]]  
>>> l2[3][3]  
[1, 2, 3, [...]]

现在，看一个循环引用的示例：

清单 6. 循环引用

>>> a = [1, 2]  
>>> b = [3, 4]  
>>> a.append(b)  
>>> a  
[1, 2, [3, 4]]  
>>> b.append(a)  
>>> a  
[1, 2, [3, 4, [...]]]  
>>> b  
[3, 4, [1, 2, [...]]]  
>>> a[2]  
[3, 4, [1, 2, [...]]]  
>>> b[2]  
[1, 2, [3, 4, [...]]]  
>>> a[2] is b  
1  
>>> b[2] is a  
1  
>>> f = file('temp.pkl', 'w')  
>>> pickle.dump((a, b), f)  
>>> f.close()  
>>> f = file('temp.pkl', 'r')  
>>> c, d = pickle.load(f)  
>>> f.close()  
>>> c  
[1, 2, [3, 4, [...]]]  
>>> d  
[3, 4, [1, 2, [...]]]  
>>> c[2]  
[3, 4, [1, 2, [...]]]  
>>> d[2]  
[1, 2, [3, 4, [...]]]  
>>> c[2] is d  
1  
>>> d[2] is c  
1

注意，如果分别 pickle 每个对象，而不是在一个元组中一起 pickle 所有对象，会得到略微不同（但很重要）的结果，如清单 7 所示：

清单 7. 分别 pickle vs. 在一个元组中一起 pickle

>>> f = file('temp.pkl', 'w')  
>>> pickle.dump(a, f)  
>>> pickle.dump(b, f)  
>>> f.close()  
>>> f = file('temp.pkl', 'r')  
>>> c = pickle.load(f)  
>>> d = pickle.load(f)  
>>> f.close()  
>>> c  
[1, 2, [3, 4, [...]]]  
>>> d  
[3, 4, [1, 2, [...]]]  
>>> c[2]  
[3, 4, [1, 2, [...]]]  
>>> d[2]  
[1, 2, [3, 4, [...]]]  
>>> c[2] is d  
0  
>>> d[2] is c  
0

相等，但并不总是相同

正如在上一个示例所暗示的，只有在这些对象引用内存中同一个对象时，它们才是相同的。在 pickle 情形中，每个对象被恢复到一个与原来对象相等的对象，但不是同一个对象。换句话说，每个 pickle 都是原来对象的一个副本：

清单 8. 作为原来对象副本的被恢复的对象

>>> j = [1, 2, 3]  
>>> k = j  
>>> k is j  
1  
>>> x = pickle.dumps(k)  
>>> y = pickle.loads(x)  
>>> y  
[1, 2, 3]  
>>> y == k  
1  
>>> y is k  
0  
>>> y is j  
0  
>>> k is j  
1

同时，我们看到 Python 能够维护对象之间的引用，这些对象是作为一个单元进行 pickle 的。然而，我们还看到分别调用 dump() 会使 Python 无法维护对在该单元外部进行 pickle 的对象的引用。相反，Python 复制了被引用对象，并将副本和被 pickle 的对象存储在一起。对于 pickle 和恢复单个对象层次结构的应用程序，这是没有问题的。但要意识到还有其它情形。

值得指出的是，有一个选项确实允许分别 pickle 对象，并维护相互之间的引用，只要这些对象都是 pickle 到同一文件即可。 pickle 和 cPickle 模块提供了一个 Pickler （与此相对应是 Unpickler ），它能够跟踪已经被 pickle 的对象。通过使用这个 Pickler ，将会通过引用而不是通过值来 pickle 共享和循环引用：

清单 9. 维护分别 pickle 的对象间的引用

>>> f = file('temp.pkl', 'w')  
>>> pickler = pickle.Pickler(f)  
>>> pickler.dump(a)  
<cPickle.Pickler object at 0x89b0bb8>  
>>> pickler.dump(b)  
<cPickle.Pickler object at 0x89b0bb8>  
>>> f.close()  
>>> f = file(&#39;temp.pkl&#39;, &#39;r&#39;)  
>>> unpickler = pickle.Unpickler(f)  
>>> c = unpickler.load()  
>>> d = unpickler.load()  
>>> c[2]  
[3, 4, [1, 2, [...]]]  
>>> d[2]  
[1, 2, [3, 4, [...]]]  
>>> c[2] is d  
1  
>>> d[2] is c  
1

不可 pickle 的对象

一些对象类型是不可 pickle 的。例如，Python 不能 pickle 文件对象（或者任何带有对文件对象引用的对象），因为 Python 在 unpickle 时不能保证它可以重建该文件的状态（另一个示例比较难懂，在这类文章中不值得提出来）。试图 pickle 文件对象会导致以下错误：

清单 10. 试图 pickle 文件对象的结果

>>> f = file('temp.pkl', 'w')  
>>> p = pickle.dumps(f)  
Traceback (most recent call last):  
  File "<input>", line 1, in ?  
  File "/usr/lib/python2.2/copy_reg.py", line 57, in _reduce  
    raise TypeError, "can&#39;t pickle %s objects" % base.__name__  
TypeError: can&#39;t pickle file objects

类实例

与 pickle 简单对象类型相比，pickle 类实例要多加留意。这主要由于 Python 会 pickle 实例数据（通常是 _dict_ 属性）和类的名称，而不会 pickle 类的代码。当 Python unpickle 类的实例时，它会试图使用在 pickle 该实例时的确切的类名称和模块名称（包括任何包的路径前缀）导入包含该类定义的模块。另外要注意，类定义必须出现在模块的最顶层，这意味着它们不能是嵌套的类（在其它类或函数中定义的类）。

当 unpickle 类的实例时，通常不会再调用它们的 _init_() 方法。相反，Python 创建一个通用类实例，并应用已进行过 pickle 的实例属性，同时设置该实例的 _class_ 属性，使其指向原来的类。

对 Python 2.2 中引入的新型类进行 unpickle 的机制与原来的略有不同。虽然处理的结果实际上与对旧型类处理的结果相同，但 Python 使用 copy_reg 模块的 _reconstructor() 函数来恢复新型类的实例。

如果希望对新型或旧型类的实例修改缺省的 pickle 行为，则可以定义特殊的类的方法 _getstate_() 和 _setstate_() ，在保存和恢复类实例的状态信息期间，Python 会调用这些方法。在以下几节中，我们会看到一些示例利用了这些特殊的方法。

现在，我们看一个简单的类实例。首先，创建一个 persist.py 的 Python 模块，它包含以下新型类的定义：

清单 11. 新型类的定义

class Foo(object):  
    def __init__(self, value):  
        self.value = value

现在可以 pickle Foo 实例，并看一下它的表示：

清单 12. pickle Foo 实例

>>> import cPickle as pickle  
>>> from Orbtech.examples.persist import Foo  
>>> foo = Foo('What is a Foo?')  
>>> p = pickle.dumps(foo)  
>>> print p  
ccopy_reg  
_reconstructor  
p1  
(cOrbtech.examples.persist  
Foo  
p2  
c__builtin__  
object  
p3  
NtRp4  
(dp5  
S'value'  
p6  
S'What is a Foo?'  
sb.

可以看到这个类的名称 Foo 和全限定的模块名称 Orbtech.examples.persist 都存储在 pickle 中。如果将这个实例 pickle 成一个文件，稍后再 unpickle 它或在另一台机器上 unpickle，则 Python 会试图导入 Orbtech.examples.persist 模块，如果不能导入，则会抛出异常。如果重命名该类和该模块或者将该模块移到另一个目录，则也会发生类似的错误。

这里有一个 Python 发出错误消息的示例，当我们重命名 Foo 类，然后试图装入先前进行过 pickle 的 Foo 实例时会发生该错误：

清单 13. 试图装入一个被重命名的 Foo 类的经过 pickle 的实例

>>> import cPickle as pickle  
>>> f = file('temp.pkl', 'r')  
>>> foo = pickle.load(f)  
Traceback (most recent call last):  
  File "<input>", line 1, in ?  
AttributeError: &#39;module&#39; object has no attribute &#39;Foo&#39;

在重命名 persist.py 模块之后，也会发生类似的错误：

清单 14. 试图装入一个被重命名的 persist.py 模块的经过 pickle 的实例

>>> import cPickle as pickle  
>>> f = file('temp.pkl', 'r')  
>>> foo = pickle.load(f)  
Traceback (most recent call last):  
  File "<input>", line 1, in ?  
ImportError: No module named persist

我们会在下面 模式改进这一节提供一些技术来管理这类更改，而不会破坏现有的 pickle。

特殊的状态方法

前面提到对一些对象类型（譬如，文件对象）不能进行 pickle。处理这种不能 pickle 的对象的实例属性时可以使用特殊的方法（ _getstate_() 和 _setstate_() ）来修改类实例的状态。这里有一个 Foo 类的示例，我们已经对它进行了修改以处理文件对象属性：

清单 15. 处理不能 pickle 的实例属性

class Foo(object):  
    def __init__(self, value, filename):  
        self.value = value  
        self.logfile = file(filename, 'w')  
    def __getstate__(self):  
        """Return state values to be pickled."""  
        f = self.logfile  
        return (self.value, f.name, f.tell())  
    def __setstate__(self, state):  
        """Restore state from the unpickled state values."""  
        self.value, name, position = state  
        f = file(name, 'w')  
        f.seek(position)  
        self.logfile = f

pickle Foo 的实例时，Python 将只 pickle 当它调用该实例的 _getstate_() 方法时返回给它的值。类似的，在 unpickle 时，Python 将提供经过 unpickle 的值作为参数传递给实例的 _setstate_() 方法。在 _setstate_() 方法内，可以根据经过 pickle 的名称和位置信息来重建文件对象，并将该文件对象分配给这个实例的 logfile 属性。

模式改进

随着时间的推移，您会发现自己必须要更改类的定义。如果已经对某个类实例进行了 pickle，而现在又需要更改这个类，则您可能要检索和更新那些实例，以便它们能在新的类定义下继续正常工作。而我们已经看到在对类或模块进行某些更改时，会出现一些错误。幸运的是，pickle 和 unpickle 过程提供了一些 hook，我们可以用它们来支持这种模式改进的需要。

在这一节，我们将探讨一些方法来预测常见问题以及如何解决这些问题。由于不能 pickle 类实例代码，因此可以添加、更改和除去方法，而不会影响现有的经过 pickle 的实例。出于同样的原因，可以不必担心类的属性。您必须确保包含类定义的代码模块在 unpickle 环境中可用。同时还必须为这些可能导致 unpickle 问题的更改做好规划，这些更改包括：更改类名、添加或除去实例的属性以及改变类定义模块的名称或位置。

类名的更改

要更改类名，而不破坏先前经过 pickle 的实例，请遵循以下步骤。首先，确保原来的类的定义没有被更改，以便在 unpickle 现有实例时可以找到它。不要更改原来的名称，而是在与原来类定义所在的同一个模块中，创建该类定义的一个副本，同时给它一个新的类名。然后使用实际的新类名来替代 NewClassName ，将以下方法添加到原来类的定义中：

清单 16. 更改类名：添加到原来类定义的方法

def __setstate__(self, state):  
    self.__dict__.update(state)  
    self.__class__ = NewClassName

当 unpickle 现有实例时，Python 将查找原来类的定义，并调用实例的 _setstate_() 方法，同时将给新的类定义重新分配该实例的 _class_ 属性。一旦确定所有现有的实例都已经 unpickle、更新和重新 pickle 后，可以从源代码模块中除去旧的类定义。

属性的添加和删除

这些特殊的状态方法 _getstate_() 和 _setstate_() 再一次使我们能控制每个实例的状态，并使我们有机会处理实例属性中的更改。让我们看一个简单的类的定义，我们将向其添加和除去一些属性。这是是最初的定义：

清单 17. 最初的类定义

class Person(object):  
    def __init__(self, firstname, lastname):  
        self.firstname = firstname  
        self.lastname = lastname

假定已经创建并 pickle 了 Person 的实例，现在我们决定真的只想存储一个名称属性，而不是分别存储姓和名。这里有一种方式可以更改类的定义，它将先前经过 pickle 的实例迁移到新的定义：

清单 18. 新的类定义

class Person(object):  
    def __init__(self, fullname):  
        self.fullname = fullname  
    def __setstate__(self, state):  
        if 'fullname' not in state:  
            first = ''  
            last = ''  
            if 'firstname' in state:  
                first = state['firstname']  
                del state['firstname']  
            if 'lastname' in state:  
                last = state['lastname']  
                del state['lastname']  
            self.fullname = " ".join([first, last]).strip()  
        self.__dict__.update(state)

在这个示例，我们添加了一个新的属性 fullname ，并除去了两个现有的属性 firstname 和 lastname 。当对先前进行过 pickle 的实例执行 unpickle 时，其先前进行过 pickle 的状态会作为字典传递给 _setstate_() ，它将包括 firstname 和 lastname 属性的值。接下来，将这两个值组合起来，并将它们分配给新属性 fullname 。在这个过程中，我们删除了状态字典中旧的属性。更新和重新 pickle 先前进行过 pickle 的所有实例之后，现在可以从类定义中除去 _setstate_() 方法。

模块的修改

在概念上，模块的名称或位置的改变类似于类名称的改变，但处理方式却完全不同。那是因为模块的信息存储在 pickle 中，而不是通过标准的 pickle 接口就可以修改的属性。事实上，改变模块信息的唯一办法是对实际的 pickle 文件本身执行查找和替换操作。至于如何确切地去做，这取决于具体的操作系统和可使用的工具。很显然，在这种情况下，您会想备份您的文件，以免发生错误。但这种改动应该非常简单，并且对二进制 pickle 格式进行更改与对文本 pickle 格式进行更改应该一样有效。

更多python pickle模块相关文章请关注PHP中文网！