Fastjson2序列化Double.NaN导致数组越界异常分析与修复
在Fastjson2 2.0.56版本中,开发者发现了一个关于Double.NaN序列化的严重问题。当尝试序列化包含Double.NaN值的对象时,系统会抛出数组越界异常,而这个问题在2.0.36版本中并不存在。
问题背景
Double.NaN是Java中表示"非数字"(Not a Number)的特殊浮点数值。在JSON序列化过程中,通常需要将这种特殊值转换为合法的JSON表示形式。Fastjson2之前的版本(如2.0.36)能够正确处理这种情况,将Double.NaN序列化为null值。
问题表现
在2.0.56版本中,当使用JSONObject.toJSONString()方法序列化包含Double.NaN的对象时,系统会在NumberUtils.doubleToScientific方法中抛出数组越界异常。具体表现为:
- 直接序列化Double.NaN时,能够正常处理并返回null
- 但当序列化包含Double.NaN的复杂对象时,会触发数组越界异常
技术分析
问题的根源在于2.0.56版本中引入的科学计数法转换逻辑。在处理Double.NaN时,代码没有正确识别这种特殊情况,而是尝试将其作为普通浮点数处理,导致在访问数组时越界。
在2.0.36版本中,Fastjson2使用DoubleToDecimal.toString方法处理浮点数,该方法能够正确识别NaN并返回null。但在2.0.56版本中,这一逻辑被修改为使用NumberUtils.doubleToScientific方法,而新方法没有充分考虑NaN等特殊值的情况。
解决方案
Fastjson2开发团队在2.0.57-SNAPSHOT版本中修复了这个问题。修复方案主要包括:
- 在科学计数法转换前增加对特殊浮点值的检查
- 确保Double.NaN、Double.POSITIVE_INFINITY等特殊值能够被正确识别并处理
- 保持与之前版本一致的序列化结果,将这些特殊值序列化为null
验证结果
经过验证,2.0.57版本已经能够正确处理包含Double.NaN的对象的序列化,不再出现数组越界异常,并且保持了与之前版本一致的序列化结果。
总结
这个问题的出现提醒我们,在处理浮点数特别是特殊浮点值时需要格外小心。在进行数值转换和序列化时,必须考虑所有可能的边界情况,包括NaN、无穷大等特殊值。Fastjson2团队快速响应并修复了这个问题的做法值得肯定,也展示了开源项目对用户反馈的重视。
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-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
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