[Python] json: 직렬화와 역직렬화

정의

json 모듈은 Python 객체와 JSON 텍스트 간 변환을 제공한다. 표준 라이브러리라 빠르게 시작 가능하나, 대용량/정밀도/속도 면에서 orjson, ujson 같은 서드파티가 우위.

기본 API

직렬화: dumps

import json
​
data = {
  "name": "Alice",
  "age": 30,
  "tags": ["admin", "user"],
  "active": True,
  "meta": None,
}
​
print(json.dumps(data))
print(json.dumps(data, indent=2, sort_keys=True))

{"name": "Alice", "age": 30, "tags": ["admin", "user"], "active": true, "meta": null}
{
"active": true,
"age": 30,
"meta": null,
"name": "Alice",
"tags": [
  "admin",
  "user"
]
}

옵션:

• indent=N: pretty print
• sort_keys=True: 키 정렬 (diff/캐시 친화적)
• separators=(',', ':'): 압축 (공백 제거)
• ensure_ascii=False: 한글 등 비ASCII 그대로 (기본 True는 \uXXXX 이스케이프)

json.dumps({"name": "안녕"}, ensure_ascii=False)
# '{"name": "안녕"}'  ← 가독성/크기 모두 유리

역직렬화: loads

s = '{"name": "Alice", "age": 30}'
data = json.loads(s)
print(data["name"], data["age"])

JSON null → None, true/false → True/False, 숫자 → int 또는 float, 배열 → list, 객체 → dict.

타입 매핑

역방향에선:

• JSON object → dict
• JSON array → list (tuple로 안 옴!)
• JSON number → 소수점 있으면 float, 없으면 int

사용자 정의 객체 직렬화

기본 인코더는 사용자 클래스 못 다룬다.

class User:
    def __init__(self, name, age):
        self.name = name
        self.age = age

json.dumps(User("Alice", 30))    # TypeError: Object of type User is not JSON serializable

default 인자

def to_jsonable(obj):
    if isinstance(obj, User):
        return {"name": obj.name, "age": obj.age}
    raise TypeError(f"Cannot serialize {type(obj)}")

json.dumps(User("Alice", 30), default=to_jsonable)
# '{"name": "Alice", "age": 30}'

JSONEncoder 서브클래스

class CustomEncoder(json.JSONEncoder):
    def default(self, obj):
        if isinstance(obj, User):
            return {"name": obj.name, "age": obj.age}
        return super().default(obj)

json.dumps(User("Alice", 30), cls=CustomEncoder, indent=2)

dataclass + asdict

from dataclasses import dataclass, asdict

@dataclass
class User:
    name: str
    age: int

json.dumps(asdict(User("Alice", 30)))

역직렬화 후 객체로 복원

import json
from dataclasses import dataclass

@dataclass
class User:
    name: str
    age: int

def user_hook(d):
    return User(**d)

json.loads('{"name": "Alice", "age": 30}', object_hook=user_hook)
# User(name='Alice', age=30)

object_hook은 모든 dict에 적용되어 위험할 수 있다. 키 패턴이나 __type__ 필드로 구분.

datetime, Decimal 등 자주 만나는 타입

json 표준은 이들을 모릅니다.

from datetime import datetime, date
from decimal import Decimal

def default(obj):
    if isinstance(obj, (datetime, date)):
        return obj.isoformat()
    if isinstance(obj, Decimal):
        return str(obj)
    raise TypeError

json.dumps({"now": datetime.now(), "price": Decimal("19.99")}, default=default)

서드파티 라이브러리(orjson, pydantic)는 이런 타입을 기본 지원.

함정

1. 정수의 정밀도

JSON 표준은 정수 크기 제한이 없지만 일부 파서(특히 JavaScript)는 53비트 초과 시 정밀도 손실. 큰 ID를 다룰 땐 문자열로:

json.dumps({"id": "9007199254740993"})    # 안전
json.dumps({"id": 9007199254740993})       # JS 측에서 망가질 수 있음

2. NaN, Infinity

JSON 표준엔 없지만 Python json은 기본 허용 (확장 모드).

json.dumps(float("nan"))      # 'NaN' (표준 위반)
json.loads('NaN')             # nan

# 표준 모드
json.dumps(float("nan"), allow_nan=False)    # ValueError

다른 언어와 호환을 위해 allow_nan=False + 명시적 처리 권장.

3. 순서

3.7+ Python dict는 삽입 순서 보장. JSON 표준도 명시적 순서 없지만 대부분의 파서가 순서 보존. sort_keys=True로 안정화 가능.

4. tuple은 array

json.dumps((1, 2, 3))         # '[1, 2, 3]'
json.loads('[1, 2, 3]')       # [1, 2, 3]  (list, 원래 tuple 정보 손실)

타입 정보 손실. 정확히 복원하려면 wrapper 사용.

5. dict 키는 문자열만

JSON 표준상 키는 string. Python json은 일부 변환 허용 (int/bool → str) 하지만 명시 변환이 안전.

json.dumps({1: "a"})           # '{"1": "a"}' (조용히 변환)
json.loads('{"1": "a"}')       # {'1': 'a'}  (문자열로 복원)

스트리밍 대용량 처리

표준 json은 한 번에 다 로드. GB 단위는 문제.

# 라인 구분 JSON (JSONL)
import json

with open("big.jsonl") as f:
    for line in f:
        record = json.loads(line)
        process(record)

또는 ijson (streaming parser) 라이브러리.

성능

벤치마크에서 대략 (1M 객체 직렬화 기준):

orjson은 datetime, dataclass, numpy 기본 지원. 새 프로젝트에선 검토.

보안

json.loads는 안전 (실행 코드 없음, eval 사용 안 함). 그러나:

• 신뢰할 수 없는 입력으로부터 메모리 폭탄 방어 필요 (deeply nested, huge arrays)
• object_hook이 임의 클래스로 변환하는 경우 추가 검증
• 스키마 검증은 jsonschema, pydantic, cattrs 등 활용