Audit.NET中JsonDocument序列化问题的解决方案
问题背景
在使用Audit.NET进行审计日志记录时,开发人员可能会遇到JsonDocument对象序列化不正确的问题。具体表现为当升级Audit.NET版本后,原本能够正常序列化的JsonDocument对象突然只能输出类似{"RootElement":{"ValueKind":1}}这样的简化信息,而不再包含完整的JSON数据内容。
问题根源分析
这个问题的根本原因在于Audit.NET内部使用了不同的JSON序列化器。从版本25.0.4升级到27.5.0后,Audit.NET默认使用System.Text.Json作为序列化器,而如果开发人员配置了Newtonsoft.Json适配器,就会导致两种JSON处理方式不兼容。
JsonDocument是System.Text.Json命名空间下的类型,当它被Newtonsoft.Json序列化时,无法正确识别其内部结构,只能输出简化信息。这种不匹配在审计日志记录中会导致关键参数信息丢失,严重影响日志的可读性和可用性。
解决方案
方案一:统一使用System.Text.Json
如果项目中没有特殊需求,最简单的解决方案是保持Audit.NET的默认配置,即使用System.Text.Json进行序列化:
Audit.Core.Configuration.Setup()
.UseFileLogProvider(f => f.Directory(@"C:\Logs"));
var jsonDocument = System.Text.Json.JsonDocument.Parse(jsonBody);
var auditScope = AuditScope.Create("Test", null);
auditScope.SetCustomField("Parameters", jsonDocument);
auditScope.Save();
这种方式能够正确处理JsonDocument对象,输出完整的JSON内容。
方案二:统一使用Newtonsoft.Json
如果项目中已经大量使用Newtonsoft.Json,或者有特殊需求必须使用Newtonsoft.Json,则应该使用JObject代替JsonDocument:
Audit.Core.Configuration.Setup()
.JsonNewtonsoftAdapter()
.UseFileLogProvider(f => f.Directory(@"C:\Logs"));
var jsonBody = "{\"Id\":1, \"Name\":\"Test\"}";
var jsonDocument = Newtonsoft.Json.Linq.JObject.Parse(jsonBody);
var auditScope = AuditScope.Create("Test", null);
auditScope.SetCustomField("Parameters", jsonDocument);
auditScope.Save();
这种方式确保了JSON处理方式的一致性,避免了序列化问题。
最佳实践建议
-
一致性原则:在整个项目中保持JSON处理方式的一致性,要么全部使用System.Text.Json,要么全部使用Newtonsoft.Json。
-
明确配置:在使用Audit.NET时,明确配置所需的JSON适配器,避免依赖默认行为。
-
版本升级检查:在升级Audit.NET版本时,特别注意JSON处理相关的变更,必要时进行适配性测试。
-
日志验证:实现自动化测试来验证审计日志的输出格式是否符合预期。
总结
Audit.NET作为强大的审计日志框架,提供了灵活的配置选项。开发人员在使用时需要注意JSON序列化器的选择,确保与项目中其他组件的JSON处理方式保持一致。通过正确配置JSON适配器,可以避免JsonDocument序列化问题,保证审计日志的完整性和可用性。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
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
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00