Newtonsoft.Json静态字段反序列化中的对象重复问题解析
2025-05-21 05:49:25作者:钟日瑜
问题现象
在使用Newtonsoft.Json进行反序列化操作时,当目标类中存在引用静态字段初始化的属性时,可能会出现集合元素重复添加的异常现象。具体表现为:第二次反序列化相同JSON字符串时,集合类型的属性中会出现重复元素。
问题复现
考虑以下类结构定义:
public static class StaticClass {
public static readonly SomeClass StaticInstance = new();
}
public class OuterClass {
public SomeClass Instance { get; set; } = StaticClass.StaticInstance;
public required List<SomeClass> Collection { get; set; }
}
public class SomeClass {
public List<NestedClass> NestedClasses { get; set; } = new();
}
当对此类进行序列化后再反序列化操作时,第二次反序列化后NestedClasses集合中的元素会出现重复。
根本原因
这个问题的本质在于Newtonsoft.Json默认的对象创建处理方式(ObjectCreationHandling)。默认情况下,Json.NET采用ObjectCreationHandling.Auto策略,这意味着:
- 对于已存在的对象实例,反序列化器会尝试重用而不是创建新实例
- 对于集合类型,默认行为是向现有集合中添加元素而非替换
当类属性初始化为静态实例时,这个静态实例在应用程序域生命周期内只会创建一次。反序列化时,Json.NET会检测到这个已存在的实例并尝试重用,导致集合元素被重复添加。
解决方案
有两种主要解决方法:
方案一:修改对象创建处理方式
var settings = new JsonSerializerSettings {
ObjectCreationHandling = ObjectCreationHandling.Replace
};
JsonConvert.DeserializeObject<OuterClass>(jsonStr, settings);
设置ObjectCreationHandling.Replace会强制反序列化器创建新实例并替换现有对象,从而避免重复问题。
方案二:重构初始化逻辑
避免在属性初始化时直接使用静态实例,改为在构造函数中初始化:
public class OuterClass {
public SomeClass Instance { get; set; }
public required List<SomeClass> Collection { get; set; }
public OuterClass() {
Instance = StaticClass.StaticInstance;
}
}
深入分析
这个问题实际上反映了对象生命周期管理与序列化/反序列化交互时的典型陷阱。静态字段在CLR中具有特殊的生命周期:
- 静态字段在类型首次被访问时初始化
- 初始化后的实例会一直存在于应用程序域中
- 反序列化操作默认会尊重现有对象实例
当与集合类型结合时,这种默认行为可能导致意外的元素累积。理解这一点对于设计可序列化的类结构非常重要。
最佳实践建议
- 对于可能被序列化的类,谨慎使用静态实例初始化属性
- 明确设置
ObjectCreationHandling以适应具体场景需求 - 考虑使用构造函数而非属性初始化器来设置默认值
- 在单元测试中验证重复序列化/反序列化行为
总结
Newtonsoft.Json的这一行为虽然可能让开发者感到意外,但从框架设计角度看是符合其默认约定的。理解这一机制有助于我们更好地设计可序列化对象模型,避免在实际开发中遇到类似问题。在需要精确控制对象创建行为的场景下,明确设置ObjectCreationHandling是最可靠的解决方案。
登录后查看全文
热门项目推荐
相关项目推荐
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00
项目优选
收起
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
187
205
暂无简介
Dart
629
143
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
React Native鸿蒙化仓库
JavaScript
242
316
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
383
3.62 K
openGauss kernel ~ openGauss is an open source relational database management system
C++
158
210
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
293
103
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
648
266
仓颉编译器源码及 cjdb 调试工具。
C++
128
858