MyBatis-Plus中Page.records默认值引发的序列化问题解析
问题背景
在使用MyBatis-Plus进行分页查询时,Page对象的records字段默认被初始化为Collections.emptyList()。这个设计在大多数情况下工作良好,但在某些特定场景下可能会引发问题。
问题现象
当开发者使用Dubbo进行跨服务调用,并且使用fastjson2进行序列化/反序列化时,如果Page对象中的records字段保持默认的空列表状态,在反序列化过程中可能会抛出UnsupportedOperationException异常。
技术分析
1. 默认值设计
MyBatis-Plus中Page类的records字段默认被设置为Collections.emptyList(),这是一个不可变(immutable)的空列表实现。这种设计有以下优点:
- 节省内存,所有空列表共享同一个实例
- 避免不必要的对象创建
- 明确表示这是一个不可修改的列表
2. 问题根源
问题出现在fastjson2的反序列化过程中。当fastjson2尝试反序列化Page对象时,它会尝试使用List.add()方法向records列表中添加元素。由于Collections.emptyList()是不可变列表,任何修改操作都会抛出UnsupportedOperationException。
3. 复现条件
这个问题需要同时满足以下条件才会出现:
- 使用Dubbo进行跨服务调用
- 使用fastjson2作为序列化工具
- Page对象的records字段保持默认值(空列表)
- 反序列化时尝试修改records列表
解决方案探讨
方案1: 修改MyBatis-Plus默认值
将Page.records的默认值从Collections.emptyList()改为new ArrayList<>()。这种修改可以:
- 避免反序列化时的异常
- 保持列表的可修改性
但需要考虑的副作用:
- 每次创建Page对象都会新建一个ArrayList实例
- 可能影响现有依赖于不可变列表特性的代码
方案2: 升级fastjson2
fastjson2的最新版本可能已经修复了这个问题。开发者可以尝试升级到最新版本,看是否能解决序列化问题。
方案3: 自定义Page实现
开发者可以创建自己的Page子类,覆盖默认的records字段初始化逻辑,根据实际需求选择合适的列表实现。
最佳实践建议
- 对于需要跨服务传输的Page对象,建议在服务边界处进行转换,使用可修改的列表实现
- 考虑使用DTO模式,避免直接传输MyBatis-Plus的内部数据结构
- 如果性能不是关键因素,可以使用new ArrayList<>()作为默认值来避免潜在问题
总结
MyBatis-Plus中Page.records默认值的设计在大多数情况下是合理且高效的,但在特定的序列化场景下可能会引发问题。开发者需要根据实际应用场景选择合适的解决方案,权衡性能、安全性和兼容性等因素。理解这些底层机制有助于开发者更好地使用MyBatis-Plus框架,并避免潜在的问题。
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-1.5暂无简介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