Apache Fury 新增字段选择性序列化功能解析
2025-06-25 21:46:17作者:彭桢灵Jeremy
Apache Fury 作为一款高性能的 Java 序列化框架,在最新开发中引入了一项重要功能:基于注解的字段选择性序列化机制。这项功能为开发者提供了更灵活的字段控制方式,能够显著提升复杂对象序列化的精确性和安全性。
功能背景
在传统的 Java 序列化场景中,开发者通常需要处理两种极端情况:要么序列化所有非 transient 字段,要么手动标记大量 transient 字段来排除不需要序列化的属性。这种二元选择在实际项目中往往不够灵活,特别是当项目需要从其他序列化方案迁移到 Fury 时,原有的字段控制机制可能无法直接兼容。
技术实现
Fury 通过引入 @Expose 注解解决了这个问题。该注解的工作机制如下:
- 选择性序列化:只有被
@Expose标记的字段才会参与序列化过程 - 互斥规则:字段不能同时标注
@Expose和@Ignore,否则会抛出 RuntimeException - 运行时验证:在对象序列化时会进行注解冲突检查
核心实现位于 Descriptor 类的字段描述符创建逻辑中,框架会过滤掉未标记 @Expose 的字段,仅保留需要序列化的属性参与后续的代码生成和序列化过程。
使用示例
// 定义数据类
@Data
@AllArgsConstructor
class UserData {
@Expose String username; // 将被序列化
@Expose int loginCount; // 将被序列化
String password; // 不会被序列化
@Expose Map<String, String> preferences; // 将被序列化
Map<String, String> tempData; // 不会被序列化
}
// 序列化/反序列化测试
Fury fury = Fury.builder().requireClassRegistration(false).build();
UserData original = new UserData("admin", 10, "secret",
Map.of("theme", "dark"), Map.of("tmp", "value"));
UserData deserialized = fury.deserialize(fury.serialize(original));
// 验证结果
assertEquals("admin", deserialized.getUsername()); // 保留
assertEquals(10, deserialized.getLoginCount()); // 保留
assertNull(deserialized.getPassword()); // 未保留
assertNotNull(deserialized.getPreferences()); // 保留
assertNull(deserialized.getTempData()); // 未保留
设计考量
- 注解命名:选择
@Expose而非@Include是为了与常见序列化库的命名习惯保持一致 - 严格模式:禁止同时使用
@Expose和@Ignore可以避免配置冲突 - 默认行为:保持向后兼容,未启用该功能时仍按原有逻辑处理
最佳实践
- 迁移策略:从其他序列化方案迁移时,可以批量添加
@Expose注解替代原有的字段控制机制 - 安全建议:敏感字段可以不添加注解,无需再显式标记为 transient
- 性能优化:对于大型对象,只序列化必要字段可以减少 payload 大小
总结
Apache Fury 的这项增强功能为字段序列化控制提供了更精细的粒度,特别适合需要精确控制序列化字段的场景。通过注解驱动的方式,既保持了代码的简洁性,又提供了必要的灵活性。该功能已在最新快照版本中提供,即将随正式版本发布,建议开发者关注更新并评估在项目中的应用价值。
登录后查看全文
热门项目推荐
相关项目推荐
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-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。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
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
项目优选
收起
deepin linux kernel
C
24
9
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
暂无简介
Dart
651
149
Ascend Extension for PyTorch
Python
212
222
🔥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
62
20
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
656
291
openGauss kernel ~ openGauss is an open source relational database management system
C++
159
216
🎉 (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
1.17 K
640
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
React Native鸿蒙化仓库
JavaScript
251
319