pickle能直接保存嵌套字典、列表、元组、集合、datetime、decimal、numpy.ndarray及模块顶层定义的自定义类实例和函数，但不可序列化文件句柄、线程锁、lambda函数等对象。
pickle 能序列化绝大多数 Python 对象，但“能存”不等于“一定能正确还原”——关键取决于对象是否可封存（picklable），以及你是否处理了类定义、模块路径、协议版本等隐性依赖。
哪些复杂结构能直接用 pickle.dump() 保存？
只要对象不包含不可序列化的成分（如文件句柄、线程锁、lambda 函数、某些 C 扩展对象），pickle 就能处理：
- 嵌套字典 + 列表 + 元组 + 集合（含混合类型）
- 自定义类的实例（前提是类定义在可导入的模块中，且未动态修改
__dict__） -
datetime、decimal、numpy.ndarray（需对应库已安装） - 函数（仅限模块顶层定义的函数，不支持闭包或 lambda）
典型失败场景：class A: pass; a = A(); a.__dict__['fd'] = open('/tmp/x', 'w') —— 因含文件对象，pickle.dump(a, f) 会报 TypeError: cannot pickle '_io.TextIOWrapper' object。
为什么自定义类实例有时反序列化失败？
不是对象本身问题，而是类定义缺失或路径不一致。例如：
class Config:
def __init__(self):
self.host = "localhost"
若你在脚本 A 中定义并保存了 Config()，却在脚本 B 中尝试 pickle.load()，而 B 没导入 Config 或导入路径不同（比如从 mylib.config 改成 config），就会抛出 AttributeError: Can't get attribute 'Config' on <module></module>。
解决方法只有两个：
- 确保加载端能通过相同 import 路径访问到该类（推荐把类定义放在独立模块里，统一 import）
- 重写
__reduce__方法显式指定构造逻辑（适合无法控制类定义位置的场景）
pickle.dump() 和 pickle.dumps() 的关键区别在哪？
本质是目标介质不同，但影响远不止于此：
-
pickle.dump(obj, file)：必须用'wb'模式打开文件；适合持久化到磁盘 -
pickle.dumps(obj)：返回bytes，不涉及 I/O；适合网络传输、缓存到 Redis、或做内存级快照 - 二者默认使用最高协议（Python 3.8+ 是 protocol 5），但跨版本兼容时需显式指定低版本协议，比如
pickle.dump(obj, f, protocol=4)
注意：如果对象很大（>100MB），dumps() 会一次性分配内存，可能触发 MemoryError；此时应坚持用 dump() 流式写入。
如何避免 unpickle 时执行恶意代码？
pickle 反序列化本质上是执行任意 Python 字节码，这是它最危险的特性。没有“安全模式”，只有规避策略：
- 绝对不 unpickle 来自用户上传、网络请求、数据库直读的未知数据
- 若必须接收外部 pickle 数据，先用
hmac校验完整性（发送方签名，接收方验证） - 生产环境优先用
json+ 类型转换（如datetime.isoformat()）替代，除非明确需要保留对象行为 - 临时调试时，可用
ast.literal_eval()替代loads()处理简单结构，但它不支持任何函数调用或类实例
真正容易被忽略的点是：即使你控制了数据来源，如果部署环境的 Python 版本、第三方库版本、甚至模块搜索路径发生变化，也可能导致 unpickle 失败——这不是 bug，而是 pickle 的设计使然：它保存的是“重建指令”，而非“数据快照”。
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！
