MessagePack-CSharp 中处理字符串反序列化的 FormatterNotRegisteredException 异常
在使用 MessagePack-CSharp 进行数据序列化/反序列化时,开发者可能会遇到一个常见异常:FormatterNotRegisteredException: 'System.String is not registered in resolver'。这个异常通常出现在使用自定义解析器(Resolver)时,特别是当开发者只使用了生成的解析器而没有正确组合内置解析器的情况下。
异常原因分析
MessagePack-CSharp 的解析器系统采用模块化设计,不同类型的格式化器(Formatter)被分配到不同的解析器中。对于基础类型如字符串(System.String),其格式化器默认位于 BuiltinResolver 中。当开发者创建自定义解析器时,如果仅使用生成的解析器而没有包含内置解析器,就会导致基础类型的格式化器缺失。
解决方案
正确的做法是使用 CompositeResolver 来组合多个解析器。CompositeResolver 允许将多个解析器合并为一个,确保所有需要的格式化器都能被找到。以下是推荐的解决方案:
- 确保包含 BuiltinResolver 以处理基础类型
- 包含生成的解析器以处理自定义类型
- 根据需要添加其他标准解析器
实际应用示例
对于文章开头描述的场景,正确的实现方式应该是:
[GeneratedMessagePackResolver]
internal partial class MessagepackBouncyHsmResolver
{
public static readonly IFormatterResolver Instance = MessagePack.Resolvers.CompositeResolver.Create(
MessagePack.Resolvers.BuiltinResolver.Instance,
MessagepackBouncyHsmResolver.Instance,
MessagePack.Resolvers.StandardResolver.Instance
);
}
最佳实践建议
- 对于大多数应用场景,建议始终使用 CompositeResolver 来组合解析器
- 明确列出所有需要的解析器,包括:
- BuiltinResolver(基础类型)
- 生成的解析器(自定义类型)
- StandardResolver(标准类型)
- 在性能敏感场景,可以优化解析器组合,只包含实际需要的解析器
- 考虑将组合后的解析器缓存为静态实例以提高性能
深入理解
MessagePack-CSharp 的解析器系统设计遵循了单一职责原则,每个解析器只负责特定类型的格式化。这种设计带来了以下优势:
- 模块化:可以灵活组合不同的解析器
- 可扩展性:可以轻松添加新的解析器
- 性能优化:可以精确控制加载哪些格式化器
理解这一设计理念有助于开发者更好地使用和扩展 MessagePack-CSharp 的功能。
总结
处理 MessagePack-CSharp 中的 FormatterNotRegisteredException 异常,关键在于正确组合解析器。通过使用 CompositeResolver 并包含必要的内置解析器,可以确保所有类型都能被正确序列化和反序列化。这一解决方案不仅适用于字符串类型,也同样适用于其他基础类型和自定义类型。
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