Apache Fury 序列化 Fastjson 1.x 版本 JSONObject 列表时的 ClassCastException 问题分析
问题背景
Apache Fury 是一个高性能的序列化框架,在 Java 生态系统中提供了比原生 Java 序列化更高效的解决方案。近期在使用 Fury 0.6.0-SNAPSHOT 版本时,发现了一个与 Fastjson 1.x 版本兼容性相关的问题。
问题现象
当尝试序列化一个包含 List<JSONObject> 字段的对象时,如果使用的是 Fastjson 1.2.70 版本,会抛出 ClassCastException 异常。错误信息表明 Fury 内部在尝试将 StringKeyMapSerializer 转换为 JDKCompatibleMapSerializer 时失败。
问题复现
通过以下代码可以稳定复现该问题:
public class TestMain {
static ThreadSafeFury fury = Fury.builder().withLanguage(Language.JAVA)
.requireClassRegistration(false)
.withRefTracking(true)
.registerGuavaTypes(false)
.withCompatibleMode(CompatibleMode.COMPATIBLE)
.withScopedMetaShare(true)
.buildThreadSafeFury();
public static void main(String[] args) {
DemoResponse resp = new DemoResponse();
byte[] serialize = fury.serialize(resp);
System.out.println("size:" + serialize.length);
}
}
@Data
public class DemoResponse {
private List<JSONObject> jsonObjs;
public DemoResponse() {}
}
问题分析
这个问题的根本原因在于 Fury 对不同版本 Fastjson 的 JSONObject 处理方式存在差异:
-
Fastjson 1.x 和 2.x 的 JSONObject 实现差异:Fastjson 2.x 版本对 JSONObject 进行了重构,其内部实现与 1.x 版本有显著不同。
-
Fury 的序列化策略:Fury 针对 Map 类型的序列化提供了多种策略,包括
StringKeyMapSerializer和JDKCompatibleMapSerializer。对于 Fastjson 1.x 的 JSONObject,Fury 错误地选择了不兼容的序列化器。 -
类型推断问题:Fury 在运行时动态创建序列化器时,未能正确识别 Fastjson 1.x JSONObject 的实际类型特征,导致选择了错误的序列化策略。
解决方案
Apache Fury 团队已经修复了这个问题,修复方案主要包括:
-
版本检测:在序列化过程中检测 Fastjson 的版本,针对不同版本采用不同的序列化策略。
-
类型兼容处理:确保 Fastjson 1.x 的 JSONObject 能够被正确识别并使用兼容的序列化器。
-
错误处理增强:在序列化器选择失败时提供更友好的错误信息,帮助开发者快速定位问题。
最佳实践
对于开发者来说,在使用 Fury 序列化 Fastjson 对象时,建议:
-
版本一致性:尽量保持 Fury 和 Fastjson 版本的匹配性,特别是生产环境中。
-
升级建议:如果可能,考虑将 Fastjson 升级到 2.x 版本,以获得更好的性能和兼容性。
-
测试覆盖:在涉及 JSON 序列化的场景中,增加针对不同 Fastjson 版本的测试用例。
总结
这个问题展示了序列化框架在处理第三方库时的复杂性,特别是当这些库存在多个主要版本时。Apache Fury 通过灵活的序列化策略和版本检测机制,解决了 Fastjson 1.x 和 2.x 的兼容性问题,为开发者提供了更稳定的序列化体验。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust087- DDeepSeek-V4-ProDeepSeek-V4-Pro(总参数 1.6 万亿,激活 49B)面向复杂推理和高级编程任务,在代码竞赛、数学推理、Agent 工作流等场景表现优异,性能接近国际前沿闭源模型。Python00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
Kimi-K2.6Kimi K2.6 是一款开源的原生多模态智能体模型,在长程编码、编码驱动设计、主动自主执行以及群体任务编排等实用能力方面实现了显著提升。Python00
Hy3-previewHy3 preview 是由腾讯混元团队研发的2950亿参数混合专家(Mixture-of-Experts, MoE)模型,包含210亿激活参数和38亿MTP层参数。Hy3 preview是在我们重构的基础设施上训练的首款模型,也是目前发布的性能最强的模型。该模型在复杂推理、指令遵循、上下文学习、代码生成及智能体任务等方面均实现了显著提升。Python00