Requests库中Decimal类型JSON序列化问题解析
2025-04-30 12:21:36作者:范靓好Udolf
问题背景
在使用Python的Requests库发送HTTP请求时,开发人员经常需要将包含Decimal类型数据的字典转换为JSON格式进行传输。然而,当系统中没有安装simplejson库时,Requests使用Python标准库的json模块进行序列化,这会导致Decimal类型无法被正确序列化的问题。
问题现象
当尝试发送包含Decimal类型数据的请求时,如果没有安装simplejson库,会抛出TypeError: Object of type Decimal is not JSON serializable异常。而安装simplejson后,相同的代码却能正常工作。
技术原理
Python标准库的json模块默认不支持Decimal类型的序列化,因为它不是JSON规范中的原生数据类型。而simplejson作为第三方库,提供了对Decimal类型的支持,能够自动将其转换为JSON兼容的浮点数或字符串格式。
Requests库在内部会优先尝试使用simplejson(如果已安装),回退到标准库的json模块。这种设计导致了不同环境下行为不一致的问题。
解决方案
方案一:安装simplejson
最简单的解决方案是安装simplejson库:
pip install simplejson
方案二:自定义JSON编码器
如果不希望依赖simplejson,可以自定义JSON编码器:
import json
from decimal import Decimal
import requests
class DecimalEncoder(json.JSONEncoder):
def default(self, obj):
if isinstance(obj, Decimal):
return float(obj)
return super().default(obj)
data = {'key': Decimal('0.0')}
json_data = json.dumps(data, cls=DecimalEncoder)
response = requests.post(url, data=json_data, headers={'Content-Type': 'application/json'})
方案三:预先转换数据类型
在构建请求数据时,手动将Decimal转换为float或str:
data = {'key': float(Decimal('0.0'))}
response = requests.post(url, json=data)
最佳实践
- 如果项目需要处理大量Decimal类型数据,建议安装simplejson以获得更好的兼容性和性能
- 在共享代码时,应该明确声明对simplejson的依赖,或者在代码中处理类型转换
- 对于金融等对精度要求高的应用,建议将Decimal转换为字符串传输,避免浮点数精度损失
总结
Requests库的JSON序列化行为差异源于其对不同JSON处理库的适配策略。理解这一机制有助于开发人员更好地处理特殊数据类型,构建更健壮的HTTP请求逻辑。根据项目需求选择合适的解决方案,可以避免这类兼容性问题。
登录后查看全文
热门项目推荐
相关项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
项目优选
收起
deepin linux kernel
C
26
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
422
3.25 K
Ascend Extension for PyTorch
Python
230
261
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
689
331
暂无简介
Dart
686
160
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
React Native鸿蒙化仓库
JavaScript
266
326
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
65
19
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.22 K
666
仓颉编译器源码及 cjdb 调试工具。
C++
136
869