struct.pack 是 Python 原生最快的手动二进制序列化方式，适合固定格式数值结构体；需严格匹配格式字符串与数据类型，显式指定字节序，批量写入应避免循环调用 pack。
用 struct.pack 手动序列化最轻量、最可控
直接控制字节布局时，struct.pack 是 Python 原生最快的方式，尤其适合固定格式的数值型结构体（如传感器采样帧、网络协议包）。它不带任何元数据开销，写入即原始二进制。
常见错误是格式字符串写错：比如把 'i'（有符号 4 字节整数）误写成 'I'（无符号），或没对齐字段导致读取错位。注意平台默认字节序是本机序（@），跨平台传输必须显式指定 '（小端）或 '>'（大端）。
示例：打包一个含时间戳（int64）、温度（float32）、状态（uint8）的记录：
import struct
data = struct.pack('<qfb><p>要点：</p>
<ul>
<li><code>'<qfb> 中 <code>q</code> 是 8 字节 int，<code>f</code> 是 4 字节 float，<code>B</code> 是 1 字节 uint8；<code> 强制小端，避免平台差异</code></qfb></code></li>
<li>所有值必须与格式严格匹配类型和数量，否则抛 <code>struct.error</code>
</li>
<li>单条记录快，但批量写入时别在循环里反复调用 <code>pack</code>——先拼好 bytes 列表再 <code>b''.join()</code> 一次写入更高效</li>
</ul>
<h3>大批量同构数据优先用 <code>array.array</code> + <code>tofile</code>
</h3>
<p>当你要写成千上万条完全相同的数值数组（比如一维信号、图像像素、浮点特征向量），<code>array.array</code> 比 <code>struct</code> 或 <code>numpy</code> 更轻：它不依赖外部库，内存连续，<code>tofile</code> 直接刷盘，几乎没有额外拷贝。</p>
<p>容易忽略的是类型码必须精确对应数据语义：<code>'d'</code> 是 C double（8 字节），<code>'f'</code> 是 C float（4 字节），<code>'l'</code> 是有符号 long（通常 4 或 8 字节，取决于平台）——混用会导致读取错乱。</p>
<p>示例：写 10 万个 32 位浮点数：</p>
<pre class="brush:php;toolbar:false;">import array
arr = array.array('f', [x * 0.1 for x in range(100000)])
with open('signal.bin', 'wb') as f:
arr.tofile(f)
要点：
- 构造
array时传入的可迭代对象不能含非数值类型，否则报TypeError -
tofile不检查文件是否可写，出错只在 close 时暴露，建议配合try/except或用contextlib.suppress - 如果后续要用 C/C++ 读，确认 C 端使用的
float/double位宽与 Python 的'f'/'d'一致
需要自描述或兼容性时选 numpy.save，但别用于跨语言场景
numpy.save 写出的 .npy 文件自带 dtype、shape、字节序等头信息，读取方便，适合 Python 生态内部交换。但它不是标准二进制格式，C/Java/Go 等语言无法直接解析。
典型陷阱是默认启用压缩（allow_pickle=False 安全起见常关闭），但真正影响性能的是 mmap_mode 和内存布局。写大数组时若用 np.memmap 配合 save，可能意外触发重复写入。
示例：安全写一个二维 float32 矩阵：
import numpy as np
mat = np.random.rand(5000, 200).astype(np.float32)
np.save('matrix.npy', mat, allow_pickle=False)
要点：
-
allow_pickle=False必须显式设置，否则反序列化时可能执行任意代码 - 不要用
np.save存含 object 类型的数组（比如嵌套 list），会退化为 pickle，失去二进制紧凑性 - 如果只是临时缓存且不跨进程，考虑
np.memmap直接映射写入，比先造数组再 save 更省内存
别用 pickle 写“二进制文件”除非你只要 Python 读
pickle 本质是 Python 对象图的编码协议，不是通用二进制格式。它版本不兼容（3.8 打包的可能 3.12 读不了），不保证跨平台字节序，且存在严重安全风险——load 可执行任意代码。
很多人误以为 pickle.dump(..., protocol=5) 是“高效二进制”，其实 protocol 5 的增量保存只对特定大对象（如 bytes）有优化，对普通 dict/list 几乎没提速，反而增加解析开销。
如果你的数据天然就是 Python 对象（比如带方法的类实例），又确定永远只用 Python 读，那 pickle 可用；否则立刻换 struct、array 或 numpy。
要点：
- 绝对不要用
pickle存来自不可信来源的数据 - 写入前确认
sys.byteorder和目标环境一致，否则数值字段会反转 - 想压缩？
zstd或lz4配合struct手动打包，比pickle+gzip快且可控
真正难的不是选哪个函数，而是明确数据消费方要什么：是 C 程序按 offset 读字段？还是 Python 脚本下次直接加载？前者死守 struct 格式字符串，后者可以松动但必须文档化字节布局。任何省事的封装，都会在读取端变成隐性成本。
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！
