Redisson项目中Redis搜索索引信息解析异常问题分析
在Redisson 3.31.0版本与Redis 7.2.4配合使用时,开发团队发现了一个关于搜索索引信息解析的异常问题。这个问题主要出现在处理Redis搜索模块返回的索引统计信息时,特别是当解析offset_bits_per_record_avg字段值时。
问题背景
Redis搜索模块提供了FT.INFO命令来获取索引的详细信息,这些信息包含了各种性能指标和统计数值。Redisson客户端通过IndexInfoDecoder类来解析这些返回的数据。在Redis 7.2.4版本中,某些指标如offset_bits_per_record_avg返回的是浮点数值(例如"15.182429313659668"),而Redisson的解析代码尝试将其转换为长整型(Long),导致了NumberFormatException异常。
技术细节
问题的核心在于数据类型的不匹配。Redis搜索模块返回的部分指标值实际上是浮点数,但Redisson的IndexInfoDecoder类中使用了toLong方法进行强制转换。这种设计在早期版本中可能没有问题,但随着Redis搜索模块的演进,某些指标开始返回更精确的浮点数值。
从返回的FT.INFO结果可以看到,除了offset_bits_per_record_avg外,还有其他多个字段也返回浮点数值,例如:
- inverted_sz_mb: "0.06223869323730469"
- vector_index_sz_mb: "2.2241592407226563"
- records_per_doc_avg: "1323.4285888671875"
影响范围
这个问题会影响所有使用Redisson 3.31.0客户端与Redis 7.2.4及以上版本搜索功能的应用程序,特别是那些依赖FT.INFO命令获取索引统计信息的场景。当尝试获取索引信息时,应用程序会抛出DecoderException,导致功能不可用。
解决方案
Redisson开发团队已经修复了这个问题,主要修改包括:
- 将相关字段的解析从长整型改为双精度浮点型
- 确保所有可能返回浮点数值的字段都能被正确解析
- 保持向后兼容性,不影响现有合法整数值的解析
修复后的版本能够正确处理Redis返回的各种数值格式,无论是整数还是浮点数,从而提供更稳定的索引信息查询功能。
最佳实践
对于使用Redisson与Redis搜索功能的开发者,建议:
- 及时升级到包含此修复的Redisson版本
- 在代码中处理索引信息时,注意相关字段可能是浮点数而非整数
- 对于关键业务场景,考虑添加异常处理逻辑以增强鲁棒性
- 定期检查Redis搜索模块的更新日志,了解可能的返回格式变化
这个问题很好地展示了在分布式系统开发中,客户端与服务端版本兼容性的重要性,也提醒开发者在处理外部系统返回数据时要考虑各种可能的格式变化。
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
HunyuanVideo-1.5暂无简介00
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