不能直接用 pickle.dump() 保存任意自定义类，因其依赖类的完整模块路径且存在任意代码执行风险；应重写 __reduce__() 返回可控构造逻辑，并优先选用 JSON、Protobuf 等安全替代方案。

为什么不能直接用 pickle.dump() 保存任意自定义类？

因为 pickle 默认序列化时会记录类的完整模块路径（如 myproject.models.User），反序列化时必须能原样导入该路径——一旦模块重命名、文件移动、包结构变化，pickle.load() 就抛 ModuleNotFoundError 或 AttributeError。更危险的是，pickle 可执行任意代码，加载不受信数据等于运行远程命令。

如何让自定义类支持可控的 pickle 行为？

重写 __reduce__() 方法，显式控制重建逻辑，避免依赖原始模块路径。它应返回一个可调用对象和其参数元组：

def __reduce__(self):
    # 返回 (构造函数, (参数1, 参数2, ...))
    return (MyClass._from_dict, ({"name": self.name, "id": self.id},))

同时提供静态工厂方法 _from_dict 负责实例重建。这样即使类被移走，只要工厂方法还在、参数结构没变，就能恢复对象。

• 不要在 __reduce__ 中返回 (MyClass, (...)) —— 这仍会硬编码类路径
• 避免在 __reduce__ 中引用闭包或局部函数，它们无法跨进程/跨版本持久化
• 如果类有不可序列化的属性（如文件句柄、数据库连接），应在 __getstate__ 中剔除，否则 pickle 会报 TypeError

哪些场景下 pickle 依然不安全？

即使你控制了 __reduce__，只要反序列化输入来源不可信（比如来自网络请求、用户上传文件），就仍有风险。因为攻击者可以构造恶意 payload，触发任意全局函数调用——例如返回 (os.system, ("rm -rf /",))。

librosa Python 音频与音乐分析库

librosa 是一个用于音频和音乐分析的 Python 库。它提供了特征提取、频谱分析、节拍跟踪、起始检测和音频可视化的工具，基于 NumPy 和 SciPy 构建，用于科学音频计算。

下载

• 永远不要对未校验的字节流调用 pickle.load() 或 pickle.loads()
• 生产环境建议改用 json + 显式 from_dict 构造，或 dataclasses.asdict() 配合类型检查
• 若必须用 pickle，至少限制协议版本（protocol=4 或更高）并配合 RestrictedUnpickler 类做白名单过滤

替代方案：什么时候该放弃 pickle？

当需要跨语言、长期存储、或与不可信方交换数据时，pickle 就不该出现。JSON、MessagePack、Protobuf 更合适——它们不绑定 Python 运行时，也不执行代码。

例如用 dataclass + typing 注解 + pydantic.BaseModel，能获得序列化、校验、文档一体化能力，且默认禁用任意代码执行：

class User(BaseModel):
    name: str
    id: int
<h1>安全序列化</h1><p>data = user.json()  # → str
user = User.parse_raw(data)  # ← 类型安全反序列化
</p>

真正棘手的不是“怎么让 pickle 工作”，而是“为什么非得用它”——这个问题比实现细节重要得多。

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！