Kotlinx.Serialization实战:自定义时间戳的JSON原始类型序列化
2025-06-07 22:25:16作者:羿妍玫Ivan
在Kotlin生态中,kotlinx.serialization作为官方推荐的序列化库,其灵活的自定义序列化能力常被开发者使用。本文将通过一个典型场景——将自定义时间戳对象序列化为JSON原始数值类型(而非默认的对象结构),深入解析其实现原理。
场景需求
假设我们有一个Timestamp类型,其内部存储的是UNIX纪元起的微秒数(即毫秒值×1000)。服务端接口要求该类型必须以原始数值形式传输,而非JSON对象结构。
常见误区
许多开发者会直接使用@Serializer注解生成默认序列化器,如下所示:
@Serializer(forClass = Timestamp::class)
object TimestampSerializer : KSerializer<Timestamp> {
override fun deserialize(decoder: Decoder) {
decoder.decodeStructure(descriptor) {
Timestamp(decodeLongElement(descriptor, 0) / 1000)
}
}
// 省略serialize实现...
}
这种实现会强制将时间戳处理为JSON对象结构(如{"element":1634567890000}),而我们需要的是直接输出数值(如1634567890000)。
核心解决方案
关键在于正确配置serialDescriptor。序列化描述符决定了数据在序列化流中的结构形态。对于原始数值类型,我们需要使用PrimitiveSerialDescriptor:
@Serializer(forClass = Timestamp::class)
object TimestampSerializer : KSerializer<Timestamp> {
// 关键点:声明为LONG型原始描述符
override val descriptor = PrimitiveSerialDescriptor(
"com.example.Timestamp",
PrimitiveKind.LONG
)
override fun deserialize(decoder: Decoder): Timestamp {
// 直接解码为原始long值
return Timestamp(decoder.decodeLong() / 1000)
}
override fun serialize(encoder: Encoder, value: Timestamp) {
// 直接编码为原始long值
encoder.encodeLong(value.toInstant().toEpochMilli() * 1000L)
}
}
技术原理深度解析
-
描述符类型决定序列化形态:
StructureDescriptor对应JSON对象PrimitiveSerialDescriptor对应JSON原始值(数值/字符串/布尔值)
-
微秒与毫秒转换: 示例中
/1000和*1000L的转换处理,体现了时间单位转换的常见模式。实际业务中需根据具体协议调整。 -
IDE静态检测的局限性: 当前Kotlin插件无法验证序列化实现与描述符的匹配性,开发者需自行保证:
- 使用
PrimitiveSerialDescriptor时,必须调用decodeXXX()原始方法 - 不能使用
decodeStructure等结构化方法
- 使用
最佳实践建议
- 单元测试验证:
@Test
fun testTimestampSerialization() {
val json = Json.encodeToString(TimestampSerializer, timestamp)
assertTrue(json.toLongOrNull() != null) // 验证输出是原始数值
}
-
考虑跨平台一致性: 如果涉及多平台项目,建议将序列化逻辑放在commonMain模块中。
-
性能优化: 对于高频调用的时间戳序列化,可将serializer对象声明为单例(如示例中的object)。
通过本文的解决方案,开发者可以优雅地实现自定义类型到JSON原始值的映射,满足各类严苛的接口协议要求。
登录后查看全文
热门项目推荐
相关项目推荐
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
atomcodeAn open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust017
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00
项目优选
收起
暂无描述
Dockerfile
677
4.32 K
deepin linux kernel
C
28
16
Ascend Extension for PyTorch
Python
518
630
Oohos_react_native
React Native鸿蒙化仓库
C++
335
381
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.57 K
910
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
947
888
暂无简介
Dart
923
228
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
399
303
本项目是CANN开源社区的核心管理仓库,包含社区的治理章程、治理组织、通用操作指引及流程规范等基础信息
634
217
openGauss kernel ~ openGauss is an open source relational database management system
C++
183
260