Newtonsoft.Json中对象创建处理机制解析
2025-05-21 03:53:07作者:龚格成
问题现象分析
在使用Newtonsoft.Json进行JSON反序列化时,开发者可能会遇到一个看似奇怪的现象:当一个类包含没有setter的属性时,在嵌套对象结构中该属性的值无法被正确反序列化。具体表现为:
- 直接反序列化包含只读属性的类时工作正常
- 但当这个类作为另一个类的属性时,只读属性的值却无法被正确设置
- 具有setter的属性则无论在任何情况下都能正常工作
根本原因探究
这一现象背后的核心原因在于Newtonsoft.Json的默认对象创建处理机制(ObjectCreationHandling)。该机制默认为Auto模式,在这种模式下:
- 对于反序列化过程中的对象属性,如果目标属性已经有一个实例存在,序列化器会尝试重用这个现有实例
- 只有当属性为null时,才会创建新实例
- 对于只读属性(没有setter),序列化器无法通过属性赋值来修改其值
- 对于构造函数参数,只有在创建新实例时才会被使用
解决方案
要解决这个问题,有以下几种方法:
方法一:修改全局序列化设置
var settings = new JsonSerializerSettings
{
ObjectCreationHandling = ObjectCreationHandling.Replace
};
var obj = JsonConvert.DeserializeObject<Three>(json, settings);
方法二:为特定属性添加特性
public class Three
{
public One One { get; set; } = new();
[JsonProperty(ObjectCreationHandling = ObjectCreationHandling.Replace)]
public Two Two { get; set; } = new();
}
方法三:修改类设计
如果可能,为只读属性添加setter是最直接的解决方案:
public int Foo { get; private set; } = foo;
深入理解ObjectCreationHandling
Newtonsoft.Json提供了三种对象创建处理模式:
- Auto:默认模式,尽可能重用现有对象实例
- Reuse:总是重用现有对象实例
- Replace:总是创建新实例替换现有对象
在大多数情况下,Auto模式提供了最佳的性能和内存使用效率,因为它减少了不必要的对象创建。然而,这也正是导致本文所述问题的原因。
最佳实践建议
- 在设计DTO(数据传输对象)时,优先考虑使用可写属性
- 如果确实需要只读属性,确保理解Newtonsoft.Json的行为
- 对于复杂的对象图,考虑显式指定ObjectCreationHandling策略
- 在性能敏感的场景中,重用对象可能带来好处,但要注意副作用
总结
Newtonsoft.Json的这一设计体现了在灵活性和可预测性之间的权衡。理解这一机制有助于开发者在实际项目中做出更合理的设计决策,避免出现意外的反序列化行为。特别是在处理不可变对象或只读属性时,需要特别注意对象创建策略的影响。
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
最新内容推荐
MQTT客户端软件源代码:物联网开发的强大工具与最佳实践指南 Launch4j中文版:Java应用程序打包成EXE的终极解决方案 全球GEOJSON地理数据资源下载指南 - 高效获取地理空间数据的完整解决方案 TortoiseSVN 1.14.5.29465 中文版:高效版本控制的终极解决方案 IK分词器elasticsearch-analysis-ik-7.17.16:中文文本分析的最佳解决方案 电脑PC网易云音乐免安装皮肤插件使用指南:个性化音乐播放体验 STM32到GD32项目移植完全指南:从兼容性到实战技巧 QT连接阿里云MySQL数据库完整指南:从环境配置到问题解决 基于Matlab的等几何分析IGA软件包:工程计算与几何建模的完美融合 XMODEM协议C语言实现:嵌入式系统串口文件传输的经典解决方案
项目优选
收起
deepin linux kernel
C
25
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
416
3.2 K
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
🔥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
暂无简介
Dart
682
160
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
23
0
🎉 (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
1.21 K
664
React Native鸿蒙化仓库
JavaScript
265
326
无需学习 Kubernetes 的容器平台,在 Kubernetes 上构建、部署、组装和管理应用,无需 K8s 专业知识,全流程图形化管理
Go
15
1
Ascend Extension for PyTorch
Python
230
259