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-5.1GLM-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
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- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00