msgpack比JSON快2–3倍、体积减少30%–50%；实测显示序列化快2.6倍、反序列化快近3倍、数据体积减少约34%，优势在数据量大或高频IO时显著。
msgpack比JSON快多少、省多少空间？
实测下来，msgpack 序列化同一份嵌套字典（含字符串、整数、列表），体积通常只有 JSON 的 40%–60%，反序列化耗时约是 JSON 的 1/3–1/2。但这个优势只在数据量大（比如单次处理 >10KB）或高频 IO（如日志写入、RPC payload）时才明显。小数据（
如何安全替换 json.loads/json.dumps？
msgpack 默认不支持 datetime、set、自定义类等类型，直接替换会报 TypeError: can't serialize ...。必须显式处理编码/解码逻辑：
- 用
default参数处理非原生类型（如把datetime转成时间戳整数） - 用
ext_hook处理二进制扩展（如需保留datetime可读性） - 始终指定
strict_types=True，避免自动转换引发隐式 bug（比如 float 自动转 int）
示例：
import msgpack
from datetime import datetime
<p>data = {"ts": datetime.now(), "tags": {"a", "b"}}</p><h1>❌ 错误：直接 pack 会失败</h1><h1>msgpack.packb(data)</h1><h1>✅ 正确：提供 default 函数</h1><p>packed = msgpack.packb(
data,
default=lambda obj: int(obj.timestamp()) if isinstance(obj, datetime) else list(obj) if isinstance(obj, set) else None,
strict_types=True
)</p>
文件存储时要注意编码兼容性
msgpack 生成的是二进制数据，不能像 JSON 那样直接用文本编辑器打开或 grep 查看。如果用于日志或调试场景，得配套写个解包脚本；若需跨语言（比如 Go 服务读 Python 写的 msgpack），要确认双方都使用相同版本协议（v5 vs v4）、是否启用 use_bin_type=True（影响 bytes/str 解析）、以及 raw=False（Python 3.7+ 默认行为，否则 str 会被当 bytes）。
- 写文件务必用
"wb"模式，读用"rb" - 别用
msgpack.unpackb(..., raw=True)在 Python 3 中处理字符串——它会把 UTF-8 字节当 bytes 返回，导致后续.decode()多余或出错 - 若需 human-readable fallback，可保留一个 JSON 备份字段，或加个 magic header 标识格式
为什么有时 msgpack 反而更慢？
常见原因不是序列化本身，而是你没关掉调试开销：
- 开发时开着
msgpack.Packer(autoreset=False)却忘了重置缓冲区，导致内存持续增长 - 反复调用
msgpack.packb()但没复用Packer实例（高频场景建议预创建） - 启用了
use_single_float=True却处理大量双精度浮点数，反而触发额外精度校验 - 在 PyPy 下，msgpack 的 C 扩展优势被 JIT 削弱，性能提升不如 CPython 明显
真正压测前，先用 timeit 对比真实数据集，别只测空 dict 或纯数字列表。
msgpack 的压缩率和速度优势，高度依赖数据结构和使用方式。最常被忽略的一点是：它不解决磁盘 IO 瓶颈，只优化内存到字节的转换过程。如果瓶颈在硬盘写入或网络带宽，换 msgpack 收效有限。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
