ScalaJack 开源项目教程
1. 项目介绍
ScalaJack 是一个为 Scala 设计的快速、无缝的序列化引擎,专门用于非模式数据。它旨在在序列化类时需要尽可能少的额外代码。ScalaJack 目前仅支持 JSON 格式,但是在对其添加 MsgPack 支持的尝试中,发现 MsgPack 序列化的写入性能比 JSON 慢约 25%,读取性能慢约 45%,因此目前 ScalaJack 仍然使用 JSON 格式。
ScalaJack 8 是基于 Scala 3 的全新序列化器实现,它使用 Scala 3 宏来在编译时生成所有序列化代码,大大提高了性能。
2. 项目快速启动
在开始使用 ScalaJack 之前,首先需要将依赖项添加到你的 build.sbt 文件中:
libraryDependencies ++= Seq("co.blocke" %% "scalajack" % "SJ_VERSION")
确保将 SJ_VERSION 替换为最新的 ScalaJack 版本。
接下来,让我们在项目中使用 ScalaJack 来序列化和反序列化一个案例类对象:
首先,定义一个案例类:
// File1.scala
case class Person(name: String, age: Int)
然后,创建一个可重用的 Person 编码器:
// File2.scala
import co.blocke.scalajack.*
given sjPerson: ScalaJack[Person] = sjCodecOf[Person]
现在,可以使用该编码器来序列化和反序列化 Person 对象:
val inst = Person("Mike", 34)
val js = sjPerson.toJson(inst)
// 输出: """{"name":"Mike","age":34}"""
val person = sjPerson.fromJson(js)
// person 将是原始的 Person 对象
3. 应用案例和最佳实践
案例类和特质支持
ScalaJack 支持案例类和特质的序列化和反序列化。例如:
case class Dog(name: String, numLegs: Int)
case class Person(name: String, age: Int, dog: Dog)
given sjPerson: ScalaJack[Person] = sjCodecOf[Person]
在这个例子中,ScalaJack 会自动检测并生成 Dog 类的编码器。
自定义编码器
ScalaJack 允许用户提供自定义编码器,以便覆盖默认行为。例如:
given customCodec: ScalaJack[YourClass] = ???
性能优化
ScalaJack 8 使用 Scala 3 宏来生成序列化代码,这大大提高了性能。但是,使用宏会影响编译和测试周期,因为当你在案例类中添加新字段时,不仅需要重新编译包含该类的文件,还需要重新编译使用该类的任何宏。
4. 典型生态项目
ScalaJack 是 Scala 社区中广泛使用的一个库,它与其他开源项目有着良好的集成。以下是一些与 ScalaJack 兼容的典型生态项目:
- Play Framework: ScalaJack 可以与 Play Framework 一起使用,为 Web 应用程序提供 JSON 序列化和反序列化。
- Akka HTTP: ScalaJack 可以用于 Akka HTTP 服务中的 JSON 数据处理。
- MongoDB: ScalaJack 可以与 MongoDB 驱动程序一起使用,以处理存储和检索 JSON 格式的数据。
通过以上介绍,您应该能够开始使用 ScalaJack 并将其集成到您的 Scala 项目中。遵循最佳实践,您可以确保项目的性能和可维护性。
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