QuickJS-ng 项目中的 Map 和 Set 对象序列化支持分析
2025-07-10 15:26:00作者:翟江哲Frasier
QuickJS-ng 作为 QuickJS 的一个分支版本,是一个轻量级的 JavaScript 引擎。在 JavaScript 开发中,Map 和 Set 是两种非常重要的集合类型,它们提供了比传统对象和数组更专业的键值对存储和唯一值集合功能。然而,在 QuickJS-ng 的早期版本中,这些现代集合类型的序列化支持存在不足。
序列化功能的重要性
对象序列化(Serialization)是指将对象转换为可以存储或传输的格式的过程,反序列化(Deserialization)则是其逆过程。在 QuickJS-ng 中,JS_WriteObject 和 JS_ReadObject 函数负责这一功能,它们对于以下场景至关重要:
- 进程间通信
- 数据持久化存储
- 状态快照和恢复
- 调试信息的保存
原始问题分析
在 QuickJS-ng 的早期实现中,当尝试使用 JS_WriteObject 序列化 Map 或 Set 对象时,引擎会抛出"TypeError: unsupported object class"异常。这表明引擎内部没有为这些 ES6 引入的集合类型实现序列化逻辑。
这种限制给开发者带来了不便,因为:
- 开发者不得不手动将 Map/Set 转换为普通对象/数组进行序列化
- 反序列化后还需要手动转换回 Map/Set
- 增加了代码复杂度和维护成本
技术实现考量
为 Map 和 Set 实现序列化支持需要考虑以下技术要点:
- 数据结构表示:需要设计合适的二进制格式来表示 Map 的键值对和 Set 的元素集合
- 循环引用处理:Map 和 Set 可能包含循环引用,序列化算法需要能够处理这种情况
- 自定义序列化:考虑是否允许用户为自定义的 Map/Set 子类定义特殊的序列化行为
- 版本兼容性:序列化格式需要保持向前和向后兼容
- 性能考量:序列化实现应尽可能高效,特别是对于大型集合
解决方案实现
在 QuickJS-ng 的最新提交中,这个问题已经得到解决。实现方案大致包括:
- 扩展 JS_WriteObject 的内部类型检查,识别 Map 和 Set 对象
- 为每种集合类型设计专门的序列化格式:
- Map 序列化为键值对列表
- Set 序列化为元素列表
- 实现对应的 JS_ReadObject 反序列化逻辑
- 确保序列化过程保持元素的插入顺序(这是 Map 和 Set 的重要特性)
- 处理特殊值如 NaN、undefined 等在集合中的正确序列化
对开发者的影响
这一改进为开发者带来了以下好处:
- 开发效率提升:不再需要手动转换 Map/Set 与普通对象/数组
- 代码简洁性:减少了样板代码,逻辑更加清晰
- 性能优化:内置的序列化实现通常比手动转换更高效
- 功能完整性:使得 QuickJS-ng 对现代 JavaScript 特性的支持更加全面
使用示例
开发者现在可以简单地序列化和反序列化 Map/Set 对象:
// Map 示例
const myMap = new Map();
myMap.set('key1', 'value1');
myMap.set(42, { complex: 'object' });
const serialized = JSON.stringify(JS_WriteObject(myMap));
const deserialized = JS_ReadObject(JSON.parse(serialized));
// Set 示例
const mySet = new Set([1, 2, 3, 'four']);
const setSerialized = JSON.stringify(JS_WriteObject(mySet));
const setDeserialized = JS_ReadObject(JSON.parse(setSerialized));
未来扩展方向
虽然当前实现已经解决了基本需求,但仍有扩展空间:
- 支持 WeakMap 和 WeakSet 的序列化(虽然这通常不被建议)
- 提供自定义序列化钩子,允许开发者控制特定对象的序列化过程
- 优化大型集合的序列化性能
- 支持更多的 JavaScript 内置对象类型的序列化
QuickJS-ng 对 Map 和 Set 序列化的支持体现了项目对现代 JavaScript 特性的持续适配,为开发者提供了更加完整和便捷的开发体验。这一改进虽然看似微小,但对于依赖这些集合类型的应用程序来说意义重大。
登录后查看全文
热门项目推荐
相关项目推荐
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
项目优选
收起
deepin linux kernel
C
24
9
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
392
3.89 K
暂无简介
Dart
671
156
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
23
0
React Native鸿蒙化仓库
JavaScript
261
322
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++
661
311
🎉 (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
1.2 K
654
无需学习 Kubernetes 的容器平台,在 Kubernetes 上构建、部署、组装和管理应用,无需 K8s 专业知识,全流程图形化管理
Go
15
1