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。
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