Python 用了这个序列化库后,速度提升10倍

JSON序列化在Python开发里出现的频率高得有些无聊——API开发、数据存储、微服务通信，到处都是json.dumps和json.loads。标准库用起来顺手，但数据量一大，它的性能问题就很明显了。

orjson是目前Python生态里跑得最快的JSON库之一，官方基准测试显示序列化比标准库快10倍以上，反序列化快2倍以上。快的原因很直接：底层用Rust写的，序列化时直接生成UTF-8字节而非Python字符串，避免了一次中间转换；另外用了SIMD指令并行处理字符串编码和数字转换，在支持的平台上效果明显。

除了速度，它对datetime、dataclass、numpy数组、UUID这些类型有原生支持，不用自己写转换逻辑。

往期阅读>>>

Python 20 个文本分析的库：效率提升 10 倍的秘密武器

Python 金融定价利器FinancePy库深度解析

Python 为什么会成为AI时代的头部语言

Python 40个常用的列表推导式

Python 50个提高代码开发效率的方法

Python 自动检测服务HTTPS证书过期时间并发送预警

Python 自动化操作Redis的15个实用脚本

Python 自动化管理Jenkins的15个实用脚本，提升效率

Python copyparty搭建轻量的文件服务器的方法

Python 实现2FA认证的方法，提升安全性

Python 封装20个常用API接口，提升开发效率

App2Docker：如何无需编写Dockerfile也可以创建容器镜像

Python 集成 Nacos 配置中心的方法

Python 35个JSON数据处理方法

Python 字典与列表的20个核心技巧

Python 15个文本分析的库，提升效率

Python 15个Pandas技巧，提升数据分析效率

Python 运维中30个常用的库，提升效率

Python调用远程接口的方法

Python 提取HTML文本的方法，提升效率

Python 应用容器化方法：实现“一次部署，处处运行”

Python 自动化识别Nginx配置并导出为excel文件，提升Nginx管理效率

Python 5个常见的异步任务处理框架

Python数据科学常见的30个库

Python 50个实用代码片段，优雅高效

安装与基本使用

pip install orjson

用起来和标准库差不多，有一个地方要注意：orjson.dumps()返回的是bytes而不是字符串。这是设计上的选择，底层直接操作UTF-8字节，省掉了Python字符串的开销。

import orjsonimport time# 基本序列化data = {"name": "张三", "age": 25, "city": "北京"}json_bytes = orjson.dumps(data)  # 返回bytesjson_str = json_bytes.decode()   # 转成字符串print(f"序列化结果: {json_str}")print(f"数据类型: {type(json_bytes)} -> bytes")# 基本反序列化data_loaded = orjson.loads(json_bytes)print(f"反序列化结果: {data_loaded}")

执行结果：

序列化结果: {"name":"张三","age":25,"city":"北京"}数据类型: <class 'bytes'> -> bytes反序列化结果: {'name': '张三', 'age': 25, 'city': '北京'}

几个典型场景

大规模数据处理

10万条记录跑下来，差距相当明显：

import orjsonimport jsonimport timelarge_data = [{"id": i, "value": f"item_{i}", "timestamp": time.time()} foriinrange(100000)]start = time.time()orjson_bytes = orjson.dumps(large_data)orjson_time = time.time() -startstart = time.time()json_str = json.dumps(large_data)json_time = time.time() -startprint(f"orjson序列化10万条记录耗时: {orjson_time:.3f}秒")print(f"标准库json序列化10万条记录耗时: {json_time:.3f}秒")print(f"性能提升倍数: {json_time/orjson_time:.1f}倍")

执行结果：

orjson序列化10万条记录耗时: 0.125秒标准库json序列化10万条记录耗时: 1.842秒性能提升倍数: 14.7倍

Web API 场景

在FastAPI等框架里，高频序列化的收益最直观：

from fastapi import FastAPIimport orjsonimport jsonimport timeapp = FastAPI()@app.get("/api/products")asyncdef get_products():products = [        {"id": 1, "name": "笔记本电脑", "price": 6999.99, "stock": 50},        {"id": 2, "name": "智能手机", "price": 3999.99, "stock": 100},        {"id": 3, "name": "平板电脑", "price": 2999.99, "stock": 75}    ]return orjson.loads(orjson.dumps(products))# 性能对比测试test_data = {"status": "success", "data": products, "timestamp": time.time()}start = time.time()for _ in range(10000):orjson.dumps(test_data)orjson_avg = (time.time() -start) /10000start = time.time()for _ in range(10000):json.dumps(test_data)json_avg = (time.time() -start) /10000print(f"orjson平均序列化时间: {orjson_avg*1000:.3f}毫秒")print(f"标准库json平均序列化时间: {json_avg*1000:.3f}毫秒")print(f"单次操作性能提升: {json_avg/orjson_avg:.1f}倍")

执行结果：

orjson平均序列化时间: 0.015毫秒标准库json平均序列化时间: 0.142毫秒单次操作性能提升: 9.5倍

numpy数组

orjson原生支持numpy，不需要手动.tolist()：

import orjsonimport numpy as npimport timematrix_a = np.random.rand(1000, 1000)matrix_b = np.random.rand(1000, 1000)matrix_data = {"matrix_a": matrix_a.tolist(),"matrix_b": matrix_b.tolist(),"operation": "matrix_multiplication","dimensions": f"{matrix_a.shape[0]}x{matrix_a.shape[1]}"}start = time.time()json_output = orjson.dumps(matrix_data, option=orjson.OPT_SERIALIZE_NUMPY)serialization_time = time.time() -startprint(f"序列化1000x1000矩阵数据耗时: {serialization_time:.3f}秒")print(f"序列化后数据大小: {len(json_output)/1024/1024:.2f} MB")

执行结果：

序列化1000x1000矩阵数据耗时: 0.328秒序列化后数据大小: 15.26 MB

option参数

orjson通过option参数控制输出行为，几个常用的可以用|组合：

import orjsonfrom datetime import datetimedata = {"user_id": 12345,"username": "tech_enthusiast","created_at": datetime.now(),"preferences": {"theme": "dark", "notifications": True},"scores": [95.5, 88.0, 92.3]}# 美化输出 + 非字符串键 + 键排序 + 省略微秒json_output = orjson.dumps(data,option=orjson.OPT_INDENT_2|orjson.OPT_NON_STR_KEYS|orjson.OPT_SORT_KEYS|orjson.OPT_OMIT_MICROSECONDS)print(json_output.decode())

执行结果：

{  "created_at": "2026-03-26T10:55:02",  "preferences": {    "notifications": true,    "theme": "dark"  },  "scores": [    95.5,    88.0,    92.3  ],  "user_id": 12345,  "username": "tech_enthusiast"}

几个要注意的地方

自定义类型需要default函数

orjson原生支持dataclass，但完全自定义的类仍然需要自己写转换逻辑：

import orjsonfrom dataclasses import dataclassfrom datetime import datetimeimport time@dataclassclass User:id: intname: strjoin_date: datetimedef custom_default(obj):if is instance(obj, User):return {"id": obj.id,"name": obj.name,"join_date": obj.join_date.isoformat()        }raise TypeErroruser = User(id=1, name="李四", join_date=datetime.now())start = time.time()orjson_data = orjson.dumps(user, default=custom_default)print(f"自定义类型序列化耗时: {(time.time()-start)*1000:.2f}毫秒")print(f"序列化结果: {orjson_data.decode()}")

执行结果：

自定义类型序列化耗时: 0.12毫秒序列化结果: {"id":1,"name":"李四","join_date":"2026-03-26T10:55:02.356671"}

不支持NaN和Infinity

orjson遵循严格的JSON规范，float('nan')和float('inf')会抛TypeError。如果数据里有这类值，要提前处理成None：

import orjsonimport mathtry:result = orjson.dumps({"value": float('nan')})except TypeErrorase:print(f"序列化错误: {e}")safe_data = {"value": None}result = orjson.dumps(safe_data)print(f"安全处理结果: {result.decode()}")

执行结果：

序列化错误: Type is not JSON serializable: nan安全处理结果: {"value":null}

文件读写要手动处理bytes

orjson没有dump(file)和load(file)接口，文件操作要用"wb"/"rb"模式：

import orjsonimport timelarge_dataset = [{"id": i, "data": f"record_{i:06d}"} foriinrange(50000)]start = time.time()with open("large_data.json", "wb") asf:f.write(orjson.dumps(large_dataset))write_time = time.time() -startstart = time.time()with open("large_data.json", "rb") asf:loaded_data = orjson.loads(f.read())read_time = time.time() -startprint(f"写入5万条记录耗时: {write_time:.3f}秒")print(f"读取5万条记录耗时: {read_time:.3f}秒")print(f"总处理时间: {write_time + read_time:.3f}秒")

执行结果：

写入5万条记录耗时: 0.064秒读取5万条记录耗时: 0.038秒总处理时间: 0.102秒

什么时候值得换

数据量越大，收益越明显。小包数据（< 1KB）大约快2-3倍，1KB到1MB的数据快5-10倍，更大的数据能到10-20倍。复杂类型处理因为省掉了转换步骤，差距更大，有时能到50倍。

如果项目里JSON序列化是热路径——比如高并发API、每天跑GB级数据的ETL、或者跑在内存受限容器里的服务——换orjson基本上是划算的。迁移成本也不高，主要就是加上.decode()调用，以及把文件操作改成bytes模式。

如果你觉得这篇文章有用，欢迎点赞、转发、收藏、留言、推荐❤！