MessagePack-CSharp在Unity IL2CPP模式下处理自定义类型序列化的解决方案
问题背景
在使用MessagePack-CSharp进行Unity项目开发时,当切换到IL2CPP编译模式后,开发者可能会遇到一个常见的序列化问题:尝试序列化包含自定义类型数组的对象时,会抛出"Not supported primitive object resolver"异常。这个问题在Mono模式下通常不会出现,但在IL2CPP模式下却会引发错误。
问题分析
问题的核心在于MessagePack-CSharp的PrimitiveObjectFormatter对于非基本类型的处理机制。在IL2CPP环境下,当尝试序列化一个包含自定义类型(如AirSimYawMode、AirSimPose等)的对象数组时,序列化器无法自动识别这些自定义类型,导致序列化失败。
解决方案
要解决这个问题,我们需要创建一个自定义的解析器(Resolver)和格式化器(Formatter),专门用于处理包含自定义类型的对象数组。以下是实现步骤:
1. 创建自定义格式化器
首先,我们需要实现一个IMessagePackFormatter<object[]>接口的自定义格式化器,明确指定如何处理各种类型的数据:
public class CustomObjectArrayFormatter : IMessagePackFormatter<object[]>
{
public void Serialize(ref MessagePackWriter writer, object[] value, MessagePackSerializerOptions options)
{
writer.WriteArrayHeader(value.Length);
foreach (var item in value)
{
switch (item)
{
case int intValue:
writer.Write(intValue);
break;
case float floatValue:
writer.Write(floatValue);
break;
case bool boolValue:
writer.Write(boolValue);
break;
case string stringValue:
writer.Write(stringValue);
break;
case AirSimYawMode yawMode:
options.Resolver.GetFormatterWithVerify<AirSimYawMode>().Serialize(ref writer, yawMode, options);
break;
case AirSimVector vector:
options.Resolver.GetFormatterWithVerify<AirSimVector>().Serialize(ref writer, vector, options);
break;
case AirSimQuaternion quaternion:
options.Resolver.GetFormatterWithVerify<AirSimQuaternion>().Serialize(ref writer, quaternion, options);
break;
case AirSimPose pose:
options.Resolver.GetFormatterWithVerify<AirSimPose>().Serialize(ref writer, pose, options);
break;
default:
throw new InvalidOperationException("Unsupported type encountered: " + item.GetType());
}
}
}
public object[] Deserialize(ref MessagePackReader reader, MessagePackSerializerOptions options)
{
var len = reader.ReadArrayHeader();
var result = new object[len];
for (int i = 0; i < len; i++)
{
var type = reader.NextMessagePackType;
switch (type)
{
case MessagePackType.Integer:
result[i] = reader.ReadInt32();
break;
case MessagePackType.Float:
result[i] = reader.ReadSingle();
break;
case MessagePackType.Boolean:
result[i] = reader.ReadBoolean();
break;
case MessagePackType.String:
result[i] = reader.ReadString();
break;
default:
throw new InvalidOperationException("Unsupported MessagePackType encountered: " + type);
}
}
return result;
}
}
2. 注册自定义解析器
接下来,我们需要在应用程序启动时注册这个自定义解析器:
var customize = CompositeResolver.Create(
new IMessagePackFormatter[] { new CustomObjectArrayFormatter() },
new[] { StandardResolver.Instance }
);
StaticCompositeResolver.Instance.Register(
customize,
MessagePack.Resolvers.StandardResolver.Instance,
MessagePack.Resolvers.GeneratedResolver.Instance
);
技术要点
-
类型安全处理:自定义格式化器中通过switch-case语句明确处理每种支持的类型,确保类型安全。
-
性能考虑:直接调用writer.Write方法处理基本类型,避免不必要的反射开销。
-
扩展性:当需要支持新的自定义类型时,只需在格式化器中添加相应的case分支即可。
-
错误处理:对于不支持的类型,抛出明确的异常信息,便于调试。
实际应用
在实际项目中,这种解决方案特别适用于RPC框架或网络通信场景,其中请求/响应对象可能包含各种不同类型的参数。例如:
[MessagePackObject]
public class RpcRequest
{
[Key(0)] public int type { get; set; }
[Key(1)] public int id { get; set; }
[Key(2)] public string method { get; set; }
[Key(3)] public object[] _Param { get; set; }
}
现在,_Param数组可以包含基本类型和自定义类型的混合数据,都能被正确序列化和反序列化。
注意事项
-
确保所有自定义类型都正确标记了[MessagePackObject]和[Key]属性。
-
对于反序列化部分,需要根据实际需求补充对自定义类型的处理逻辑。
-
在性能敏感的场景中,可以考虑进一步优化格式化器的实现,例如使用字典查找替代switch-case。
通过这种解决方案,开发者可以在IL2CPP模式下顺利使用MessagePack-CSharp序列化包含自定义类型的复杂对象,同时保持代码的清晰和可维护性。
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