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。
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 StartedRust013
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