Jackson-databind 2.18.0版本中Throwable子类反序列化问题分析
在Jackson-databind 2.18.0版本中,引入了一个关于Throwable子类反序列化的兼容性问题。这个问题影响了从2.18.0到2.18.2版本的用户,当尝试反序列化没有无参构造函数的Throwable子类时,会抛出"no creator index for property 'cause'"的异常。
问题背景
Throwable作为Java中所有错误和异常的基类,在Jackson的序列化/反序列化处理中有特殊逻辑。在2.18.0版本之前,Jackson能够正确处理带有自定义构造函数的Throwable子类。例如,以下代码在2.17.3及更早版本中可以正常工作:
public class CustomException extends Exception {
@JsonCreator
CustomException(@JsonProperty("message") String message,
@JsonProperty("cause") Throwable cause) {
super(message, cause);
}
}
然而,在2.18.0版本中,同样的代码会抛出异常,提示无法找到'cause'属性的creator索引。
技术分析
这个问题源于Jackson 2.18.0中对Throwable反序列化逻辑的修改。具体来说:
-
Throwable的特殊处理:Jackson对Throwable及其子类有特殊的反序列化逻辑,因为Throwable包含一些特殊字段(如cause、stackTrace等)。
-
构造函数参数绑定:在2.18.0版本中,参数绑定机制发生了变化,导致无法正确识别带有@JsonCreator注解的构造函数中的参数。
-
无参构造函数的变通方案:添加无参构造函数可以绕过这个问题,但这并非理想的解决方案,因为它可能违反类的设计意图。
影响范围
该问题影响以下场景:
- 自定义的Throwable子类
- 使用@JsonCreator注解指定构造函数
- 构造函数参数使用@JsonProperty注解
- 不使用无参构造函数
解决方案
对于遇到此问题的用户,可以考虑以下解决方案:
-
降级到2.17.x版本:如果项目允许,可以暂时回退到2.17.3版本。
-
添加无参构造函数:
public class CustomException extends Exception {
public CustomException() {
super();
}
@JsonCreator
public CustomException(@JsonProperty("message") String message,
@JsonProperty("cause") Throwable cause) {
super(message, cause);
}
}
- 等待官方修复:Jackson团队已经确认了这个问题,预计会在后续版本中修复。
最佳实践
在处理Throwable子类的序列化/反序列化时,建议:
-
始终提供无参构造函数,即使它是私有的,这可以提高框架兼容性。
-
明确指定所有需要序列化的属性,包括message和cause。
-
在升级Jackson版本时,对异常类的序列化/反序列化进行充分测试。
这个问题提醒我们,在序列化框架中处理基础类(如Throwable)时需要特别小心,因为框架对这些类往往有特殊处理逻辑,而这些逻辑在不同版本间可能会发生变化。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。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