Hiddify-Manager 项目中 JSON 序列化错误的解决方案
问题现象分析
在 Hiddify-Manager 项目版本 10.50.4 中,管理员尝试手动更新用户使用量时,系统抛出了一个 JSON 序列化错误。错误信息明确指出:"Object of type datetime is not JSON serializable",即系统无法将 datetime 类型的对象转换为 JSON 格式。
错误根源探究
从堆栈跟踪中可以清晰地看到,错误发生在 Actions.py 文件的第 185 行,当系统尝试使用 json.dumps() 函数序列化使用量数据时失败。这通常意味着返回的数据结构中包含了 Python 的 datetime 对象,而 JSON 标准格式并不直接支持这种数据类型。
技术背景说明
JSON (JavaScript Object Notation) 是一种轻量级的数据交换格式,它仅支持以下几种基本数据类型:
- 字符串
- 数字
- 布尔值
- 数组
- 对象(字典)
- null
Python 的 datetime 对象不属于上述任何一类,因此直接序列化会失败。这是 Python Web 开发中常见的一个问题。
解决方案建议
针对这个问题,有以下几种可行的解决方案:
-
数据类型转换:在序列化前,将 datetime 对象转换为字符串格式。Python 的 datetime 对象有 isoformat() 方法可以方便地实现这一点。
-
自定义 JSON 编码器:创建一个继承自 json.JSONEncoder 的子类,重写 default 方法,在其中处理 datetime 对象的序列化。
-
使用第三方库:可以考虑使用如
marshmallow这样的库,它提供了更强大的序列化功能,能够自动处理各种复杂数据类型。 -
数据预处理:在查询数据库时,直接获取格式化后的字符串而非 datetime 对象。
实施建议
对于 Hiddify-Manager 项目,最直接的修复方式是在 update_local_usage() 方法返回数据前,确保所有 datetime 对象都已转换为字符串。例如:
import json
from datetime import datetime
def datetime_handler(x):
if isinstance(x, datetime):
return x.isoformat()
raise TypeError("Unknown type")
json.dumps(data, default=datetime_handler)
预防措施
为了避免类似问题再次发生,建议:
- 在代码审查时特别注意涉及 JSON 序列化的部分
- 为相关功能添加单元测试,确保各种数据类型都能正确序列化
- 在项目文档中明确标注哪些API会返回包含日期时间的数据
总结
这个错误虽然看似简单,但反映了在Web开发中数据类型处理的重要性。正确处理各种数据类型的序列化不仅能避免运行时错误,还能提高系统的健壮性和可维护性。对于Hiddify-Manager这样的网络管理工具,确保数据能够正确传输和显示尤为重要。
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。C032
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
kylin-wayland-compositorkylin-wayland-compositor或kylin-wlcom(以下简称kywc)是一个基于wlroots编写的wayland合成器。 目前积极开发中,并作为默认显示服务器随openKylin系统发布。 该项目使用开源协议GPL-1.0-or-later,项目中来源于其他开源项目的文件或代码片段遵守原开源协议要求。C00
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