💡深入理解「可序列化」：开发与测试都绕不开的隐形规则

你可能在接口请求、缓存、日志、报告里见过” Object of type X is not JSON serializable “这样的报错。
这时候，系统并不是在”挑刺”，而是在提醒你一个几乎所有开发与测试都会遇到的基本问题—— 可序列化（Serializable） 。

🧠 一、什么是可序列化？

可序列化（Serializable） ，简单来说，就是：
一个对象可以被转换成 可存储或可传输的格式 （如字节流、JSON 字符串），之后还能再恢复为原始对象。

换句话说：

  • 序列化（Serialization） ：对象 → 字节或文本
  • 反序列化（Deserialization） ：字节或文本 → 对象

🌰 举个简单的例子（以 Python 为例）

import json

user = {"name": "Alice", "age": 25}

# 序列化
json_str = json.dumps(user)  
print(json_str)  # {"name": "Alice", "age": 25}

# 反序列化
obj = json.loads(json_str)
print(obj["name"])  # Alice

你就完成了一次序列化与反序列化。
如果对象中有 datetime 、 Decimal 、 set 等类型，就可能出现 “not JSON serializable” 的错误。

🧩 二、开发者在什么场景会遇到可序列化

1️⃣ 接口返回与传输

当后端接口要返回自定义对象时：

return jsonify(user)  # ❌ 会报错：not JSON serializable

必须转成字典：

return jsonify(user.to_dict())

要点：

  • JSON 只能序列化基础类型
  • 日期、枚举、Decimal 需转字符串

2️⃣ 缓存与存储（Redis、数据库）

Redis 只接受字符串或字节流。

redis.set("user:1", pickle.dumps(user))  # ✅

建议：

  • JSON 跨语言兼容
  • Pickle 性能高但有安全风险
  • 不要序列化外部输入

3️⃣ Session、Token、状态保持

Session 中的数据必须是可序列化的。
不要往里面放数据库连接、文件句柄或线程对象。

4️⃣ 异步与分布式任务（Celery、消息队列）

Celery 会自动序列化任务参数：

@celery.task
def send_email(user):  # ❌ 如果 user 是复杂对象
    ...

建议只传基础字段或对象 ID。

5️⃣ 多进程/多线程通信

Python 的 multiprocessing 在进程间通信时依赖 pickle。
如果测试对象中有线程锁、连接池，会报错：

TypeError: can't pickle _thread.lock objects

6️⃣ 配置与模型持久化

保存模型或配置文件时，也是在做序列化：

  • ML 模型 → joblib.dump() / torch.save()
  • 配置 → JSON 、 YAML

💾 三、测试人员在什么场景会遇到可序列化

1️⃣ 接口测试

请求体、响应体、断言结果都必须可序列化为 JSON。
比如：

payload = {"created_at": datetime.now()}  # ❌ 无法序列化

应改为：

payload = {"created_at": str(datetime.now())}

2️⃣ 自动化测试框架

框架会将测试结果写入报告（如 Allure、JSON、XML），
如果日志或断言结果中包含不可序列化对象，会导致报告生成失败。

✅ 建议：

  • 测试上下文中仅保存基础类型
  • 输出日志前统一调用 json.dumps(obj, default=str)

3️⃣ 测试数据与 Mock 管理

Mock 文件和接口回放都需要用 JSON/YAML 保存。
如果数据中包含 bytes、datetime 等类型，要转字符串或 Base64。

4️⃣ 分布式测试与多进程执行

pytest-xdist 或多节点压测时，测试结果要在进程间传递。
包含不可序列化对象时，会出现：

pickle.PicklingError: Can't pickle <class '...'>

5️⃣ 日志与报告输出

Allure 报告、日志文件、监控输出都依赖序列化。
对象没法被转成字符串时，会导致报告部分缺失或写入失败。

6️⃣ 性能与压测

Locust / JMeter 分布式执行时节点之间同步数据，也要依赖序列化。
如果测试数据太复杂或包含对象引用，会导致节点同步失败。

⚠️ 四、常见错误与解决方法

错误类型 常见报错 解决方案
类型不支持 Object of type datetime is not JSON serializable 转字符串或自定义 encoder
Pickle 错误 Can’t pickle _thread.lock objects 不传锁、连接、句柄等对象
报告生成失败 TypeError: Object is not serializable 转成基础类型或字符串
Mock 文件加载异常 JSONDecodeError 检查 mock 文件格式是否有效 JSON
安全问题 恶意 pickle 文件执行任意代码 不反序列化外部输入

🧠 五、最佳实践总结

目标 最佳做法
接口通信 统一 JSON 格式，复杂类型转字符串
缓存/存储 只存可序列化字段，必要时自定义 to_dict()
Session/Token 仅存基础数据，避免运行时对象
自动化框架 报告与日志输出前执行序列化安全检查
多进程测试 进程间只传递基础类型
Mock 数据 统一存为 JSON/YAML 格式，保存前验证可序列化性
安全 禁止反序列化外部 pickle 数据

✨ 六、核心总结

“可序列化”看似底层，但它是开发与测试的共同语言。
每当你要” 跨边界传输数据 “（从内存到文件、从本地到网络、从进程到进程），
底层都在做一件事： 对象序列化 。

对开发来说：
要确保接口、缓存、Session、RPC 的数据可安全序列化。

对测试来说：
要保证请求、响应、报告、日志、Mock 都能被安全持久化。

记住这条规则：
跨边界传输的数据，一定要能被序列化。

🧾 附录：一行可序列化安全工具（Python）

import json

def safe_json(data):
    """安全序列化，自动处理特殊类型"""
    return json.dumps(data, ensure_ascii=False, default=str)

适用于接口响应、日志记录、报告输出等场景。

📚 推荐阅读

  • 《Python 官方文档：json 模块》
  • 《Java Serializable 接口详解》
  • 《Google Protobuf 序列化机制》
  • 《Celery 官方文档：序列化与安全性》

作者：yuxiaoling
测试工程师 · 专注测试自动化与质量体系建设
分享让测试更智能、更高效的实践经验 💪