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。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00