Jackson-databind 中 Throwable 类反序列化时 JsonAnySetter 的 NPE 问题分析
问题背景
在使用 Jackson-databind 进行 JSON 序列化和反序列化时,开发人员可能会遇到一个特定场景下的 NullPointerException 问题。当我们在继承自 Throwable 的异常类上同时使用 @JsonAnyGetter 和 @JsonAnySetter 注解时,反序列化过程中会出现空指针异常。
问题现象
考虑以下代码示例:
@JsonIgnoreProperties({ "cause", "stackTrace", "response", "message", "localizedMessage", "suppressed" })
static class Problem extends Exception {
@JsonAnySetter
@JsonAnyGetter
Map<String, Object> additionalProperties = new HashMap<>();
}
当尝试反序列化这样的类时,会抛出 NullPointerException。有趣的是,如果移除 "extends Exception" 继承关系,代码就能正常工作。
技术分析
这个问题的根源在于 Jackson-databind 对 Throwable 类的特殊处理。ThrowableDeserializer 在处理 Throwable 及其子类时,有一些特殊的逻辑:
-
Throwable 的特殊构造:Throwable 类需要通过特定的构造函数初始化,通常需要一个 message 参数。Jackson 的 ThrowableDeserializer 依赖于这个 message 属性来正确实例化对象。
-
JsonAnySetter 的执行时机:在反序列化过程中,JsonAnySetter 会在对象完全构造之前被调用。对于普通 POJO 这通常不是问题,但对于 Throwable 子类,由于初始化机制不同,会导致字段访问时出现 NPE。
-
@JsonIgnoreProperties 的影响:当开发者使用 @JsonIgnoreProperties 忽略了 "message" 属性时,ThrowableDeserializer 无法获取必要的信息来正确初始化异常对象,进一步加剧了这个问题。
解决方案
Jackson-databind 团队已经在 2.16.2 版本中修复了基础问题。修复的核心是确保在调用 any setter 之前,Throwable 对象已经被正确初始化。
对于开发者而言,可以采取以下措施:
-
升级到最新版本:确保使用 Jackson-databind 2.16.2 或更高版本。
-
避免忽略关键属性:如果必须继承 Throwable,尽量避免忽略 "message" 属性,或者确保提供替代的初始化方式。
-
考虑替代设计:如果可能,考虑不直接继承 Throwable,而是使用组合模式来包含异常信息。
最佳实践
在处理异常类的序列化时,建议:
-
仔细评估是否真的需要在异常类上使用 @JsonAnyGetter/@JsonAnySetter。
-
如果必须使用,确保提供所有必要的构造函数和初始化逻辑。
-
在忽略属性时要谨慎,特别是像 "message" 这样的 Throwable 核心属性。
-
编写单元测试覆盖序列化和反序列化场景,确保异常处理逻辑的健壮性。
总结
这个问题展示了 Jackson 在处理特殊类(如 Throwable)时的复杂性。框架需要在灵活性和正确性之间找到平衡。通过理解底层机制,开发者可以更好地设计他们的异常类,并避免类似的陷阱。Jackson 团队的快速响应也体现了开源社区对这类问题的重视程度。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
Spark-Prover-7BSpark-Prover 是由科大讯飞团队开发的专用大型语言模型,专为 Lean4 中的自动定理证明而设计。该模型采用创新的三阶段训练策略,显著增强了形式化推理能力,在同等规模的开源模型中实现了最先进的性能。Python00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00