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。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
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-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
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