Marten项目中的DateTime投影反序列化异常问题解析
问题背景
在使用Marten这个.NET对象文档映射器时,开发人员发现当尝试从存储文档中投影DateTime或DateTimeOffset类型时,会出现反序列化失败的情况。这个问题在Marten 7.5.0和7.6.0版本中都存在,影响了使用System.Text.Json和Newtonsoft.Json两种序列化库的情况。
问题现象
当执行类似以下查询时:
// 获取最大日期
session.Query<UpdateRecord>().MaxAsync(x => x.NextUpdate);
// 或者投影日期列表
session.Query<UpdateRecord>().Select(x => x.NextUpdate).ToListAsync();
系统会抛出反序列化异常。异常的根本原因是数据库返回的日期时间字符串没有被正确包装为JSON格式。
技术分析
异常原因
-
JSON格式问题:数据库返回的日期时间格式如"2024-01-04T09:25:22+10:00"是一个原始字符串,而JSON反序列化器期望的是一个被引号包裹的JSON字符串值,即""2024-01-04T09:25:22+10:00""。
-
序列化器行为:无论是System.Text.Json还是Newtonsoft.Json,在反序列化原始类型时都期望输入是有效的JSON格式。直接传递未加引号的日期时间字符串会导致解析失败。
-
Marten内部处理:Marten在投影简单类型时,直接将数据库返回的值传递给反序列化器,而没有考虑JSON格式要求。
解决方案比较
- 临时解决方案:使用原始SQL查询可以绕过这个问题:
session.Query<DateTime>("select max(d.data ->> 'NextUpdate')::timestamp as data from public.mt_doc_updaterecord as d")
- 根本解决方案:Marten需要在将数据库返回值传递给反序列化器之前,确保数据格式符合JSON规范。对于原始类型如DateTime,应该将值包装为JSON字符串。
深入理解
这个问题揭示了ORM框架在处理原始类型投影时的一个常见陷阱。虽然数据库查询返回了正确的值,但框架需要确保这些值能够被序列化/反序列化层正确处理。
对于DateTime类型,数据库返回的是ISO 8601格式的字符串,但这并不是有效的JSON值。JSON规范要求字符串值必须用双引号包裹。Marten需要在这一层进行适当的转换。
最佳实践建议
-
对于生产环境:如果遇到此问题,可以采用原始SQL查询作为临时解决方案,同时关注Marten的更新。
-
对于框架开发者:在处理原始类型投影时,应该考虑:
- 自动包装原始值为JSON兼容格式
- 提供明确的文档说明支持的投影类型
- 考虑添加专门的日期时间处理逻辑
-
对于应用开发者:在遇到类似问题时,可以:
- 检查数据库返回的实际值
- 验证序列化器期望的输入格式
- 考虑使用DTO对象而不是直接投影原始类型
总结
Marten中的DateTime投影反序列化问题是一个典型的ORM框架与序列化层交互问题。理解JSON格式要求和数据库返回值之间的差异是解决此类问题的关键。虽然目前可以通过原始SQL查询绕过,但长期来看,框架层面的修复将提供更优雅的解决方案。
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