Newtonsoft.Json 反序列化时处理$type属性位置问题的解决方案
问题背景
在使用Newtonsoft.Json进行JSON序列化和反序列化时,当设置了TypeNameHandling = TypeNameHandling.All选项,系统会在JSON数据中添加类型信息$type属性。然而在某些情况下,特别是当JSON数据经过浏览器处理后,$type属性的位置可能会发生变化,导致反序列化失败。
典型场景
考虑以下C#类定义:
public class Test1
{
public Dictionary<string, decimal> Data { get; set; }
}
当这个对象被序列化为JSON并经过浏览器处理后,可能会产生如下格式的JSON:
{
"$type": "Test.Core.Test1, Test.Core",
"Data": {
"0": 1,
"1": 2,
"2": 3,
"$type": "System.Collections.Generic.Dictionary`2[[...]]"
}
}
注意Data对象中的$type属性被浏览器移动到了最后位置。
问题现象
当尝试反序列化这样的JSON时,Newtonsoft.Json会抛出异常:"Could not convert string to decimal: System.Collections.Generic.Dictionary`2[...]",错误指向路径'Data.$type'。
原因分析
Newtonsoft.Json默认情况下出于性能和内存考虑,只在JSON对象的开始处查找元数据关键字(如$type)。当这些关键字出现在对象中间或末尾时,解析器会尝试将其作为普通属性处理,从而导致类型转换错误。
解决方案
要解决这个问题,需要显式配置JsonSerializerSettings,使其在反序列化时提前读取JSON数据以查找元数据关键字。这可以通过设置MetadataPropertyHandling属性为ReadAhead来实现:
var settings = new JsonSerializerSettings
{
TypeNameHandling = TypeNameHandling.All,
MetadataPropertyHandling = MetadataPropertyHandling.ReadAhead
};
var demoData = JsonConvert.DeserializeObject<Test1>(jsonString, settings);
性能考量
MetadataPropertyHandling.ReadAhead选项会使Newtonsoft.Json在解析过程中缓冲JSON数据,以便能够检测到位于任何位置的元数据属性。这会带来一定的性能开销和内存使用增加,但对于需要处理浏览器修改过的JSON数据或不确定$type属性位置的场景,这是必要的代价。
最佳实践建议
- 在客户端-服务器交互中,如果确定JSON数据不会被中间件修改,可以保持默认设置以获得最佳性能
- 当JSON数据可能经过浏览器或其他可能重新排序属性的处理器时,应使用
ReadAhead选项 - 考虑在全局JsonConvert.DefaultSettings中统一配置这些设置,确保应用行为一致
- 对于性能敏感的场景,可以尝试其他序列化方案或确保数据源保持
$type属性在对象开头
总结
Newtonsoft.Json提供了灵活的序列化配置选项,MetadataPropertyHandling.ReadAhead是处理元数据属性位置变化问题的有效解决方案。开发者应根据具体应用场景和性能需求,合理配置这些选项,确保数据反序列化的可靠性和稳定性。
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- QQwen3-Coder-Next2026年2月4日,正式发布的Qwen3-Coder-Next,一款专为编码智能体和本地开发场景设计的开源语言模型。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
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!Kotlin08
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