Mapperly项目中的并发修改异常问题分析与解决方案
问题背景
在Mapperly这个强大的.NET对象映射库中,开发者报告了一个在Visual Studio环境下特有的编译时异常。当使用Mapperly进行简单的DTO与模型之间的映射时,VS会抛出"Collection was modified; enumeration operation may not execute"的异常,导致生成的映射代码无法被正确编译。
问题现象
开发者在使用Mapperly进行基础的对象映射时,Visual Studio会显示以下警告信息:
警告 CS8785 Generator 'MapperGenerator' failed to generate source. It will not contribute to the output and compilation errors may occur as a result. Exception was of type 'InvalidOperationException' with message 'Collection was modified; enumeration operation may not execute.'
有趣的是,这个问题仅在Visual Studio中出现,而在Rider IDE或命令行构建中却能正常工作。生成的代码本身是正确的,但由于VS中的生成过程失败,导致这些代码无法被包含在最终构建中。
技术分析
通过深入分析问题堆栈和代码执行流程,我们发现问题的根源在于:
-
集合修改与枚举的并发问题:在
ObjectMemberMappingBodyBuilder.BuildMappingBody方法中,代码在枚举_unmappedTargetMemberNames集合的同时,又对该集合进行了修改(移除了已处理的成员)。 -
VS特有的行为:Visual Studio的增量编译和代码生成机制可能导致对生成器的调用方式与其他环境不同,从而触发了这个并发修改问题。
-
HashSet枚举的敏感性:底层使用的是
HashSet<T>.Enumerator,它对并发修改特别敏感,一旦检测到集合被修改就会立即抛出异常。
解决方案
针对这个问题,Mapperly团队提出了以下修复方案:
-
避免在枚举时修改集合:将需要处理的成员名称先复制到一个临时集合中,然后对这个副本进行枚举,这样即使原始集合被修改也不会影响枚举过程。
-
防御性编程:在处理集合时采用更安全的方式,确保不会在枚举过程中修改被枚举的集合。
经验总结
这个案例给我们带来了几个重要的启示:
-
IDE差异:不同的开发环境可能对代码生成器有不同的调用方式,开发者需要考虑各种环境下的兼容性。
-
集合操作安全:在操作集合时,特别是在复杂的代码生成场景中,需要特别注意枚举过程中的集合修改问题。
-
测试覆盖:除了常规的单元测试外,还应该在不同开发环境下进行测试,确保代码生成器在各种场景下都能正常工作。
结论
Mapperly团队通过分析问题根源并实施修复方案,成功解决了这个Visual Studio特有的代码生成问题。这个案例展示了开源社区如何协作解决复杂的技术问题,也提醒我们在开发工具和库时要考虑各种使用环境的差异。对于开发者来说,当遇到类似问题时,可以尝试在不同环境下构建项目,这有助于快速定位问题是出在代码本身还是特定环境的交互方式上。
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。C089
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