Audit.NET 中 MongoDB 数据提供程序的 JSON 序列化问题解析
在使用 Audit.NET 进行审计日志记录时,开发者可能会遇到 MongoDB 数据提供程序中自定义字段的序列化问题。本文将深入分析该问题的成因,并提供多种解决方案。
问题现象
当开发者使用 MongoDB 数据提供程序并配置 Newtonsoft.Json 序列化器时,通过 SetCustomField 方法添加的自定义字段会被嵌套在 "customFields" 对象中,而不是直接出现在文档的根级别。这与预期行为不符,特别是在需要保持数据结构扁平化的场景下。
问题根源
这个问题源于 MongoDB 数据提供程序的序列化机制与 Newtonsoft.Json 的交互方式。当使用 Newtonsoft.Json 作为 JSON 适配器时,如果配置了 CamelCasePropertyNamesContractResolver 作为合约解析器,会覆盖 Audit.NET 内部使用的 AuditContractResolver,导致扩展数据属性无法正确序列化到根级别。
解决方案
方案一:启用 BSON 原生序列化
最简单的解决方案是启用 MongoDB 驱动程序的 BSON 原生序列化功能:
Audit.Core.Configuration.Setup()
.JsonNewtonsoftAdapter(jsonSerializerSettings)
.UseMongoDB(mongo => mongo
.ConnectionString("mongodb://localhost:27017")
.Database("DbName")
.Collection("ColName")
.SerializeAsBson());
启用此选项后,审计事件将直接序列化为 BSON 文档,绕过 JSON 中间格式,从而保持字段结构的扁平化。
方案二:配置 MongoDB 命名约定
如果需要保持 camelCase 命名风格,可以配置 MongoDB 的命名约定:
using MongoDB.Bson.Serialization.Conventions;
var conventionPack = new ConventionPack { new CamelCaseElementNameConvention() };
ConventionRegistry.Register("CamelCase", conventionPack, type => true);
这种方法允许在保持 BSON 序列化的同时,实现字段名的自动转换。
方案三:自定义 AuditContractResolver
对于必须使用 Newtonsoft.Json 的场景,可以自定义 AuditContractResolver 来实现 camelCase 命名:
var jsonSerializerSettings = new JsonSerializerSettings
{
Formatting = Formatting.Indented,
ContractResolver = new AuditContractResolver {
NamingStrategy = new CamelCaseNamingStrategy()
},
Converters = new List<JsonConverter> { new JavaScriptDateTimeConverter() }
};
这种方法既保持了字段的扁平化结构,又实现了命名的规范化。
技术原理
Audit.NET 在处理自定义字段时,依赖于 JsonExtensionDataAttribute 来将动态属性序列化到根级别。当使用自定义的合约解析器时,这一机制可能会被破坏。而 BSON 序列化则直接操作对象图,避免了 JSON 序列化过程中的这一限制。
最佳实践建议
- 对于 MongoDB 存储,优先考虑使用 BSON 原生序列化
- 如果需要特定的命名风格,使用 MongoDB 的命名约定系统
- 仅在必要时使用 Newtonsoft.Json 适配器,并注意合约解析器的配置
- 考虑迁移到 System.Text.Json 作为默认序列化器,以获得更好的性能和兼容性
通过理解这些机制和解决方案,开发者可以更灵活地配置 Audit.NET 以满足各种审计日志需求。
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
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
yuanrongopenYuanrong runtime:openYuanrong 多语言运行时提供函数分布式编程,支持 Python、Java、C++ 语言,实现类单机编程高性能分布式运行。Go051
pc-uishopTNT开源商城系统使用java语言开发,基于SpringBoot架构体系构建的一套b2b2c商城,商城是满足集平台自营和多商户入驻于一体的多商户运营服务系统。包含PC 端、手机端(H5\APP\小程序),系统架构以及实现案例中应满足和未来可能出现的业务系统进行对接。Vue00
ebook-to-mindmapepub、pdf 拆书 AI 总结TSX01