Fastjson2中自定义Map键类型的序列化与反序列化实践
在JSON数据处理过程中,我们经常会遇到需要自定义序列化和反序列化逻辑的场景。本文将以Fastjson2项目为例,详细介绍如何处理Map中键类型转换的问题,特别是当JSON中的键为数字而我们需要将其映射为Java中的Integer类型时。
问题背景
在实际开发中,我们可能会遇到如下JSON数据结构:
{
"splitScreenDetail": {
0: ["037a00020054199eeebf", "037a00020054010a67ff"],
1: ["034a0002006e9d17f3ff"]
}
}
在Java中,我们希望将这个结构映射为Map<Integer, List<String>>类型。然而,默认情况下,JSON解析器会将对象键视为字符串类型,这就导致了类型不匹配的问题。
Fastjson1的解决方案
在Fastjson1中,可以通过实现ObjectDeserializer和ObjectSerializer接口来自定义序列化和反序列化逻辑:
@JSONField(deserializeUsing = SplitScreenDetailDeserializer.class,
serializeUsing = SplitScreenDetailDeserializer.class)
private Map<Integer, List<String>> splitScreenDetail;
public static class SplitScreenDetailDeserializer
implements ObjectDeserializer, ObjectSerializer {
@Override
public Map<Integer, List<String>> deserialze(DefaultJSONParser parser,
Type type, Object fieldName) {
Map<Object, List<String>> stringMap = parser.parseObject(HashMap.class);
Map<Integer, List<String>> resultMap = new HashMap<>();
stringMap.forEach((k,v) ->
resultMap.put(Integer.valueOf(k.toString()), v));
return resultMap;
}
@Override
public void write(JSONSerializer jsonSerializer, Object object,
Object o1, Type type, int i) throws IOException {
if (object instanceof Map) {
Map<Integer, List<String>> map = (Map<Integer, List<String>>) object;
Map<Object, List<String>> resultMap = new HashMap<>();
map.forEach((k,v) -> resultMap.put(k.toString(), v));
jsonSerializer.write(resultMap);
}
}
}
Fastjson2的改进方案
升级到Fastjson2后,API发生了变化,需要采用新的接口来实现相同的功能。Fastjson2提供了更清晰的责任分离,将序列化和反序列化逻辑分别放在不同的接口中:
反序列化实现
public static class SplitScreenDetailDeserializer
implements ObjectReader<Map<Integer, List<String>>> {
@Override
public Map<Integer, List<String>> readObject(JSONReader jsonReader,
Type fieldType,
Object fieldName,
long features) {
Map<String, JSONArray> stringMap = (Map) jsonReader.readObject();
Map<Integer, List<String>> resultMap = new HashMap<>();
stringMap.forEach((key, value) ->
resultMap.put(Integer.parseInt(key),
value.toJavaList(String.class)));
return resultMap;
}
}
序列化实现
public static class SplitScreenDetailSerializer
implements ObjectWriter<Map<Integer, List<String>>> {
@Override
public void write(JSONWriter jsonWriter, Object object,
Object fieldName, Type fieldType, long features) {
Map<String, List<String>> resultMap = new HashMap<>();
Map<Integer, List<String>> reqMap = (Map) object;
reqMap.forEach((key, value) -> resultMap.put(key.toString(), value));
jsonWriter.write(resultMap);
}
}
使用方式
定义好自定义的序列化和反序列化器后,可以通过注解方式应用到字段上:
@JSONField(deserializeUsing = SplitScreenDetailDeserializer.class,
serializeUsing = SplitScreenDetailSerializer.class)
private Map<Integer, List<String>> splitScreenDetail;
技术要点解析
-
类型安全:Fastjson2通过泛型明确了序列化和反序列化的目标类型,提高了代码的类型安全性。
-
职责分离:将序列化和反序列化逻辑分离到不同的接口中,符合单一职责原则。
-
性能优化:Fastjson2的API设计更加高效,减少了不必要的类型转换和对象创建。
-
错误处理:在实际应用中,应该增加对数字格式错误的处理,例如捕获
NumberFormatException。
最佳实践建议
-
版本兼容性:注意不同版本Fastjson的API变化,升级时需要进行充分测试。
-
性能考虑:对于高频调用的序列化/反序列化操作,可以考虑缓存转换结果。
-
日志记录:在自定义逻辑中加入适当的日志记录,便于调试和问题排查。
-
单元测试:为自定义序列化器编写全面的单元测试,覆盖各种边界情况。
通过本文的介绍,开发者可以掌握在Fastjson2中处理复杂类型转换的技巧,特别是Map键类型的自定义处理,这对于处理各种非标准JSON数据结构非常有帮助。
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