Newtonsoft.Json 静态字段在反序列化中被覆盖问题解析
问题现象
在使用Newtonsoft.Json进行对象序列化和反序列化时,开发者可能会遇到一个令人困惑的现象:当类中包含一个静态字段,且该字段类型与所在类相同时,在反序列化过程中这个静态字段的值会被意外修改。
问题复现
考虑以下代码示例:
public class Model
{
public Encoding Encoding { get; init; } = Encoding.Default;
}
public class Encoding
{
public static readonly Encoding Default = new Encoding
{
Type = EncondingType.Hex,
};
public required EncondingType Type { get; init; }
}
当对Model实例进行序列化再反序列化后,原本应该保持不变的Encoding.Default静态字段的值会被修改。
根本原因
这个问题的根源在于Newtonsoft.Json的默认反序列化行为:
-
对象重用机制:Newtonsoft.Json默认采用
ObjectCreationHandling.Reuse策略,即在反序列化时会尝试重用已存在的对象实例,而不是总是创建新实例。 -
init访问器处理:虽然C#引入了
init访问器来限制属性只能在初始化时设置,但Newtonsoft.Json的反射机制并不特殊处理这种访问器,仍然会像普通set访问器一样进行赋值。 -
默认值影响:当Model类的Encoding属性有默认值
Encoding.Default时,反序列化器会重用这个实例,导致静态字段被修改。
解决方案
要解决这个问题,可以通过配置JsonSerializerSettings来改变反序列化行为:
var settings = new JsonSerializerSettings
{
ObjectCreationHandling = ObjectCreationHandling.Replace
};
var instance = JsonConvert.DeserializeObject<Model>(json, settings);
将ObjectCreationHandling设置为Replace后,反序列化器会始终创建新实例,而不会重用现有对象,从而避免了静态字段被意外修改的问题。
最佳实践
-
对于包含静态实例的类,建议在反序列化时显式指定
ObjectCreationHandling.Replace。 -
考虑将静态实例设为不可变对象,或者使用深拷贝来保护原始数据。
-
在设计类时,避免让静态字段引用可变实例,或者确保这些实例不会被意外修改。
-
对于需要严格保护的数据,可以考虑使用
readonly字段而非属性,虽然这会限制Newtonsoft.Json的序列化能力。
总结
这个问题展示了Newtonsoft.Json在对象生命周期管理上的一个设计选择。虽然重用对象可以提高性能,但在某些场景下会导致意外的副作用。理解这一机制有助于开发者在实际项目中做出更合理的设计决策,避免类似问题的发生。
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