在很多情况下，我们会有把 Python 对象进行序列化或反序列化的需求，比如开发 REST API，比如一些面向对象化的数据加载和保存，都会应用到这个功能。
这里看一个最基本的例子，这里给到一个 User 的 Class 定义，再给到一个 data 数据，像这样：
1 class User(object): 2 def __init__(self, name, age): 3 self.name = name 4 self.age = age 5 6 data = [{ 7 ‘name‘: ‘Germey‘, 8 ‘age‘: 23 9 }, { 10 ‘name‘: ‘Mike‘, 11 ‘age‘: 20 12 }]
现在我要把这个 data 快速转成 User 组成的数组，变成这样：
[User(name=‘Germey‘, age=23), User(name=‘Mike‘, age=20)]
你会怎么来实现？
或者我有了上面的列表内容，想要转成一个 JSON 字符串，变成这样：
[{"name": "Germey", "age": 23}, {"name": "Mike", "age": 20}]
你又会怎么操作呢？
另外如果 JSON 数据里面有各种各样的脏数据，你需要在初始化时验证这些字段是否合法，另外 User 这个对象里面 name、age 的数据类型不同，如何针对不同的数据类型进行针对性的类型转换，这个你有更好的实现方案吗？
之前我写过一篇文章这可能是 Python 面向对象编程的最佳实践，介绍过 attrs 和 cattrs 这两个库，它们二者的组合可以非常方便地实现对象的序列化和反序列化。
譬如这样：
1 from attr import attrs, attrib 2 from cattr import structure, unstructure 3 4 @attrs 5 class User(object): 6 name = attrib() 7 age = attrib() 8 9 data = { 10 ‘name‘: ‘Germey‘, 11 ‘age‘: 23 12 } 13 user = structure(data, User) 14 print(‘user‘, user) 15 json = unstructure(user) 16 print(‘json‘, json)
运行结果：
1 user User(name=‘Germey‘, age=23) 2 json {‘name‘: ‘Germey‘, ‘age‘: 23}
好，这里我们通过 attrs 和 cattrs 这两个库来实现了单个对象的转换。
首先我们要肯定一下 attrs 这个库，它可以极大地简化 Python 类的定义，同时每个字段可以定义多种数据类型。
但 cattrs 这个库就相对弱一些了，如果把 data 换成数组，用 cattrs 还是不怎么好转换的，另外它的 structure 和 unstructure 在某些情景下容错能力较差，所以对于上面的需求，用这两个库搭配起来并不是一个最优的解决方案。
另外数据的校验也是一个问题，attrs 虽然提供了 validator 的参数，但对于多种类型的数据处理的支持并没有那么强大。
所以，我们想要寻求一个更优的解决方案。
这里推荐一个库，叫做 marshmallow，它是专门用来支持 Python 对象和原生数据相互转换的库，如实现 object -> dict，objects -> list, string -> dict, string -> list 等的转换功能，另外它还提供了非常丰富的数据类型转换和校验 API，帮助我们快速实现数据的转换。
要使用 marshmallow 这个库，需要先安装下：
pip3 install marshmallow
好了之后，我们在之前的基础上定义一个 Schema，如下：
1 class UserSchema(Schema): 2 name = fields.Str() 3 age = fields.Integer() 4 5 @post_load 6 def make(self, data, **kwargs): 7 return User(**data)
还是之前的数据：
1 data = [{ 2 ‘name‘: ‘Germey‘, 3 ‘age‘: 23 4 }, { 5 ‘name‘: ‘Mike‘, 6 ‘age‘: 20 7 }]
这时候我们只需要调用 Schema 的 load 事件就好了：
1 schema = UserSchema() 2 users = schema.load(data, many=True) 3 print(users)
输出结果如下：
[User(name=‘Germey‘, age=23), User(name=‘Mike‘, age=20)]
这样，我们非常轻松地完成了 JSON 到 User List 的转换。
有人说，如果是单个数据怎么办呢，只需要把 load 方法的 many 参数去掉即可：
1 data = { 2 ‘name‘: ‘Germey‘, 3 ‘age‘: 23 4 } 5 6 schema = UserSchema() 7 user = schema.load(data) 8 print(user)
输出结果：
User(name=‘Germey‘, age=23)
当然，这仅仅是一个反序列化操作，我们还可以正向进行序列化，以及使用各种各样的验证条件。
下面我们再来看看吧。
上面的例子我们实现了序列化操作，输出了 users 为：
[User(name=‘Germey‘, age=23), User(name=‘Mike‘, age=20)]
有了这个数据，我们也能轻松实现序列化操作。
序列化操作，使用 dump 方法即可
1 result = schema.dump(users, many=True) 2 print(‘result‘, result)
运行结果如下：
result [{‘age‘: 23, ‘name‘: ‘Germey‘}, {‘age‘: 20, ‘name‘: ‘Mike‘}]
由于是 List，所以 dump 方法需要加一个参数 many 为 True。
当然对于单个对象，直接使用 dump 同样是可以的：
1 result = schema.dump(user) 2 print(‘result‘, result)
运行结果如下：
result {‘name‘: ‘Germey‘, ‘age‘: 23}
这样的话，单个、多个对象的序列化也不再是难事。
经过上面的操作，我们完成了 object 到 dict 或 list 的转换，即：
1 object <-> dict 2 objects <-> list
当然，上面的功能其实并不足以让你觉得 marshmallow 有多么了不起，其实就是一个对象到基本数据的转换嘛。但肯定不止这些，marshmallow 还提供了更加强大啊功能，比如说验证，Validation。
比如这里我们将 age 这个字段设置为 hello，它无法被转换成数值类型，所以肯定会报错，样例如下：
1 data = { 2 ‘name‘: ‘Germey‘, 3 ‘age‘: ‘hello‘ 4 } 5 6 from marshmallow import ValidationError 7 try: 8 schema = UserSchema() 9 user, errors = schema.load(data) 10 print(user, errors) 11 except ValidationError as e: 12 print(‘e.message‘, e.messages) 13 print(‘e.valid_data‘, e.valid_data)
这里如果加载报错，我们可以直接拿到 Error 的 messages 和 valid_data 对象，它包含了错误的信息和正确的字段结果，运行结果如下：
1 e.message {‘age‘: [‘Not a valid integer.‘]} 2 e.valid_data {‘name‘: ‘Germey‘}
因此，比如我们想要开发一个功能，比如用户注册，表单信息就是提交过来的 data，我们只需要过一遍 Validation，就可以轻松得知哪些数据符合要求，哪些不符合要求，接着再进一步进行处理。
当然验证功能肯定不止这一些，我们再来感受一下另一个示例：
1 from pprint import pprint 2 from marshmallow import Schema, fields, validate, ValidationError 3 4 class UserSchema(Schema): 5 name = fields.Str(validate=validate.Length(min=1)) 6 permission = fields.Str(validate=validate.OneOf([‘read‘, ‘write‘, ‘admin‘])) 7 age = fields.Int(validate=validate.Range(min=18, max=40)) 8 9 10 in_data = {‘name‘: ‘‘, ‘permission‘: ‘invalid‘, ‘age‘: 71} 11 try: 12 UserSchema().load(in_data) 13 except ValidationError as err: 14 pprint(err.messages)
比如这里的 validate 字段，我们分别校验了 name、permission、age 三个字段，校验方式各不相同。
如 name 我们要判断其最小值为 1，则使用了 Length 对象。permission 必须要是几个字符串之一，这里又使用了 OneOf 对象，age 又必须是介于某个范围之间，这里就使用了 Range 对象。
下面我们故意传入一些错误的数据，看下运行结果：
1 {‘age‘: [‘Must be greater than or equal to 18 and less than or equal to 40.‘], 2 ‘name‘: [‘Shorter than minimum length 1.‘], 3 ‘permission‘: [‘Must be one of: read, write, admin.‘]}
可以看到，这里也返回了数据验证的结果，对于不符合条件的字段，一一进行说明。
另外我们也可以自定义验证方法：
1 from marshmallow import Schema, fields, ValidationError 2 3 def validate_quantity(n): 4 if n < 0: 5 raise ValidationError(‘Quantity must be greater than 0.‘) 6 if n > 30: 7 raise ValidationError(‘Quantity must not be greater than 30.‘) 8 9 class ItemSchema(Schema): 10 quantity = fields.Integer(validate=validate_quantity) 11 12 in_data = {‘quantity‘: 31} 13 try: 14 result = ItemSchema().load(in_data) 15 except ValidationError as err: 16 print(err.messages)
通过自定义方法，同样可以实现更灵活的验证，运行结果：
{‘quantity‘: [‘Quantity must not be greater than 30.‘]}
对于上面的例子，还有更优雅的写法：
1 from marshmallow import fields, Schema, validates, ValidationError 2 3 4 class ItemSchema(Schema): 5 quantity = fields.Integer() 6 7 @validates(‘quantity‘) 8 def validate_quantity(self, value): 9 if value < 0: 10 raise ValidationError(‘Quantity must be greater than 0.‘) 11 if value > 30: 12 raise ValidationError(‘Quantity must not be greater than 30.‘)
通过定义方法并用 validates 修饰符，使得代码的书写更加简洁。
如果要想定义必填字段，只需要在 fields 里面加入 required 参数并设置为 True 即可，另外我们还可以自定义错误信息，使用 error_messages 即可，例如：
1 from pprint import pprint 2 from marshmallow import Schema, fields, ValidationError 3 4 class UserSchema(Schema): 5 name = fields.String(required=True) 6 age = fields.Integer(required=True, error_messages={‘required‘: ‘Age is required.‘}) 7 city = fields.String( 8 required=True, 9 error_messages={‘required‘: {‘message‘: ‘City required‘, ‘code‘: 400}}, 10 ) 11 email = fields.Email() 12 13 try: 14 result = UserSchema().load({‘email‘: ‘foo@bar.com‘}) 15 except ValidationError as err: 16 pprint(err.messages)
对于序列化和反序列化字段，marshmallow 还提供了默认值，而且区分得非常清楚！如 missing 则是在反序列化时自动填充的数据，default 则是在序列化时自动填充的数据。
例如：
1 from marshmallow import Schema, fields 2 import datetime as dt 3 import uuid 4 5 class UserSchema(Schema): 6 id = fields.UUID(missing=uuid.uuid1) 7 birthdate = fields.DateTime(default=dt.datetime(2017, 9, 29)) 8 9 print(UserSchema().load({})) 10 print(UserSchema().dump({}))
这里我们都是定义的空数据，分别进行序列化和反序列化，运行结果如下：
1 {‘id‘: UUID(‘06aa384a-570c-11ea-9869-a0999b0d6843‘)} 2 {‘birthdate‘: ‘2017-09-29T00:00:00‘}
可以看到，在没有真实值的情况下，序列化和反序列化都是用了默认值。
这个真的是解决了我之前在 cattrs 序列化和反序列化时候的痛点啊！
在序列化时，Schema 对象会默认使用和自身定义相同的 fields 属性名，当然也可以自定义，如：
1 class UserSchema(Schema): 2 name = fields.String() 3 email_addr = fields.String(attribute=‘email‘) 4 date_created = fields.DateTime(attribute=‘created_at‘) 5 6 user = User(‘Keith‘, email=‘keith@stones.com‘) 7 ser = UserSchema() 8 result, errors = ser.dump(user) 9 pprint(result)
运行结果如下：
1 {‘name‘: ‘Keith‘, 2 ‘email_addr‘: ‘keith@stones.com‘, 3 ‘date_created‘: ‘2014-08-17T14:58:57.600623+00:00‘}
反序列化也是一样，例如：
1 class UserSchema(Schema): 2 name = fields.String() 3 email = fields.Email(load_from=‘emailAddress‘) 4 5 data = { 6 ‘name‘: ‘Mike‘, 7 ‘emailAddress‘: ‘foo@bar.com‘ 8 } 9 s = UserSchema() 10 result, errors = s.load(data)
运行结果如下：
1 {‘name‘: u‘Mike‘, 2 ‘email‘: ‘foo@bar.com‘}
对于嵌套属性，marshmallow 当然也不在话下，这也是让我觉得 marshmallow 非常好用的地方，例如：
1 from datetime import date 2 from marshmallow import Schema, fields, pprint 3 4 class ArtistSchema(Schema): 5 name = fields.Str() 6 7 class AlbumSchema(Schema): 8 title = fields.Str() 9 release_date = fields.Date() 10 artist = fields.Nested(ArtistSchema()) 11 12 bowie = dict(name=‘David Bowie‘) 13 album = dict(artist=bowie, title=‘Hunky Dory‘, release_date=date(1971, 12, 17)) 14 15 schema = AlbumSchema() 16 result = schema.dump(album) 17 pprint(result, indent=2)
这样我们就能充分利用好对象关联外键来方便地实现很多关联功能。
以上介绍的内容基本算在日常的使用中是够用了，当然以上都是一些基本的示例，对于更多功能，可以参考 marchmallow 的官方文档：https://marshmallow.readthedocs.io/en/stable/，强烈推荐大家用起来。
作者：华为云享专家 崔庆才静觅
原文：https://www.cnblogs.com/huaweicloud/p/12523237.html