Kendo UI Core 中从 Newtonsoft.Json 迁移到 System.Text.Json 的技术实践
在 Kendo UI Core 项目中,DefaultJavaScriptSerializer 类长期以来一直依赖于 Newtonsoft.Json 库来实现 JSON 序列化功能。随着 .NET 生态系统的演进,微软推出了性能更优、集成度更高的 System.Text.Json 序列化库。本文将深入探讨这一技术迁移的背景、实现方案以及相关技术考量。
背景与现状分析
当前 DefaultJavaScriptSerializer 的实现非常简单,仅包含一个 Serialize 方法,该方法使用 Newtonsoft.Json 的 JsonConvert.SerializeObject 进行对象序列化,并对结果中的尖括号进行转义处理。这种实现方式存在几个潜在问题:
- 增加了项目对第三方库 Newtonsoft.Json 的依赖
- 序列化性能可能不如 System.Text.Json
- 与现代 .NET 项目的默认配置不一致
技术迁移方案
迁移到 System.Text.Json 需要考虑以下几个关键点:
基本迁移实现
最简单的迁移方式是直接替换序列化方法:
using System.Text.Json;
public string Serialize(object value)
{
return JsonSerializer.Serialize(value)
.Replace(@"<", @"\u003c")
.Replace(@">", @"\u003e");
}
性能优化考虑
System.Text.Json 提供了更多性能优化的可能性:
- 可以重用 JsonSerializerOptions 实例以避免重复配置
- 可以使用源生成器进一步提高性能
- 可以配置更优化的序列化行为
行为一致性保证
需要确保迁移后的序列化行为与之前保持一致,特别是在以下方面:
- 日期时间格式
- 枚举值的处理方式
- 循环引用的处理
- 空值处理策略
实现细节与挑战
特殊字符转义处理
原实现中对尖括号(<和>)进行了特殊转义处理,这是为了防止XSS攻击。在迁移过程中,这一安全特性必须保留。System.Text.Json 本身提供了更灵活的编码控制方式,可以考虑使用内置的编码器配置而非手动替换。
自定义序列化需求
如果项目中存在需要特殊序列化逻辑的类型,需要为 System.Text.Json 实现相应的转换器(JsonConverter),这与 Newtonsoft.Json 的转换器实现方式有所不同。
版本兼容性
需要考虑不同 .NET 版本中 System.Text.Json 的功能差异,确保代码在所有目标平台上都能正常工作。
迁移后的优势
完成迁移后,项目将获得以下好处:
- 减少一个外部依赖项
- 获得更好的序列化性能
- 与 .NET 平台更紧密集成
- 更符合现代 .NET 项目的最佳实践
- 更小的应用体积
总结
从 Newtonsoft.Json 迁移到 System.Text.Json 是 .NET 项目现代化的一个重要步骤。对于 Kendo UI Core 这样的开源UI库来说,这一改进不仅提升了性能,还简化了依赖关系,使库更加轻量化和现代化。实施过程中需要注意保持行为一致性,特别是安全相关的特性,同时充分利用新库提供的性能优化可能性。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C033
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
kylin-wayland-compositorkylin-wayland-compositor或kylin-wlcom(以下简称kywc)是一个基于wlroots编写的wayland合成器。 目前积极开发中,并作为默认显示服务器随openKylin系统发布。 该项目使用开源协议GPL-1.0-or-later,项目中来源于其他开源项目的文件或代码片段遵守原开源协议要求。C00
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-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
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