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。
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00- DDeepSeek-OCRDeepSeek-OCR是一款以大语言模型为核心的开源工具,从LLM视角出发,探索视觉文本压缩的极限。Python00
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
HunyuanWorld-Mirror混元3D世界重建模型,支持多模态先验注入和多任务统一输出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Jinja00
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。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- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile014
Spark-Chemistry-X1-13B科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00