Fastjson2 2.0.48版本修复NaN反序列化问题解析
问题背景
在JSON数据处理过程中,我们经常会遇到一些特殊的数值表示,比如NaN(Not a Number)。NaN是IEEE 754浮点数标准中定义的一个特殊值,表示"不是一个数字"的数值。然而,在JSON标准规范中,并没有明确包含NaN这种表示方式。
Fastjson2作为阿里巴巴开源的高性能JSON处理库,在2.0.47版本中遇到了NaN反序列化的问题。当尝试解析包含NaN值的JSON字符串时,会抛出NumberFormatException异常,这给开发者处理特殊数值场景带来了不便。
问题复现
让我们来看一个简单的示例代码:
public class Fastjson2Test {
public static void main(String[] args) {
String jsonStr = "{\"x\":NaN}";
Data data = JSON.parseObject(jsonStr, Data.class);
System.out.println(data);
}
@lombok.Data
private static class Data {
private Double x;
}
}
在Fastjson2 2.0.47版本中运行这段代码会抛出以下异常:
Exception in thread "main" java.lang.NumberFormatException: empty String
at com.alibaba.fastjson2.util.TypeUtils.parseDouble(TypeUtils.java:390)
at com.alibaba.fastjson2.JSONReaderUTF16.readDoubleValue(JSONReaderUTF16.java:2919)
at com.alibaba.fastjson2.JSONReader.readDouble(JSONReader.java:974)
...
问题分析
这个问题的根源在于Fastjson2对非标准JSON数值的处理。虽然NaN不是标准JSON格式的一部分,但在实际应用中,很多系统会生成包含NaN的JSON数据。Fastjson2作为一个广泛使用的JSON库,需要能够处理这种实际场景。
在2.0.47版本中,Fastjson2的解析器没有专门处理NaN这种特殊数值表示,导致在尝试将其转换为Double类型时出现了NumberFormatException。
解决方案
Fastjson2开发团队在2.0.48版本中修复了这个问题。新版本对Double和Float类型的反序列化增加了对NaN值的支持。这意味着:
- 现在可以正确解析包含NaN的JSON字符串
- 反序列化后会得到Java中对应的Double.NaN或Float.NaN值
- 保持了与IEEE 754浮点数标准的兼容性
技术实现
在底层实现上,Fastjson2在TypeUtils.parseDouble()方法中增加了对"NaN"字符串的特殊处理。当解析器遇到NaN时,会直接返回Double.NaN,而不是尝试将其作为普通数字解析。
类似的修改也应用到了Float类型的解析中,确保两种浮点类型都能正确处理NaN值。
使用建议
对于需要使用Fastjson2处理可能包含NaN值的JSON数据的开发者,建议:
- 升级到2.0.48或更高版本
- 在代码中做好异常处理,虽然新版本支持NaN,但仍可能有其他边界情况
- 注意NaN在Java中的特殊比较行为(需要使用Double.isNaN()方法判断)
总结
Fastjson2 2.0.48版本对NaN反序列化问题的修复,体现了该库对实际应用场景的持续优化。虽然NaN不是标准JSON的一部分,但考虑到实际使用需求,Fastjson2选择支持这种特殊数值的解析,为开发者处理各种数据场景提供了更多便利。
这个改进也提醒我们,在使用JSON库时,不仅要关注标准规范,还要了解库对非标准但常见用例的支持情况,以确保应用的健壮性。
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