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。
kernelopenEuler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。C091
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python058
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00