在Cache-Manager项目中处理对象序列化与反序列化的最佳实践
2025-07-08 03:00:11作者:廉彬冶Miranda
在JavaScript/TypeScript开发中,对象序列化是一个常见需求,特别是在使用缓存系统时。本文将以Cache-Manager项目为例,深入探讨如何正确处理包含方法和属性的对象序列化问题。
问题背景
当开发者尝试将包含方法的对象实例存入缓存时,经常会遇到一个典型问题:对象被序列化为JSON后,方法会丢失。例如,一个包含messages数组和addMessage方法的History类:
class History {
messages: string[];
addMessage(message: string) {
this.messages.push(message);
}
}
当这个对象被存入缓存再取出后,虽然数据属性messages被保留,但方法addMessage却丢失了,导致调用时出现TypeError: history.addMessage is not a function错误。
根本原因分析
这种现象的根本原因在于JavaScript的JSON序列化机制:
- JSON.stringify()默认只序列化对象的可枚举属性
- 类方法属于原型链上的函数,不会被序列化
- 反序列化时只是创建了一个普通对象,而不是原类的实例
解决方案
Cache-Manager项目推荐的最佳实践是:只缓存纯数据,不缓存包含方法的对象。具体实现方式有两种:
方案一:通过属性赋值重建对象
// 缓存时只存储数据部分
cache.set('historyMessageKey', history.messages);
// 获取缓存后通过属性赋值
const historyMessages = await cache.get<Array<string>>('historyMessageKey');
history.messages = historyMessages;
方案二:通过构造函数重建对象
class History {
private _messages: string[] = [];
constructor(messages?: string[]) {
if(messages) {
this._messages = messages;
}
}
get messages(): string[] {
return this._messages;
}
set messages(messages: string[]) {
this._messages = messages;
}
addMessage(message: string) {
this._messages.push(message);
}
}
// 使用缓存数据创建新实例
const historyMessages = await cache.get<Array<string>>('historyMessageKey');
const history2 = new History(historyMessages);
进阶建议
-
使用DTO模式:创建专门用于传输的数据传输对象(Data Transfer Object),只包含需要缓存的数据
-
添加序列化/反序列化方法:在类中实现专门的序列化方法,明确控制哪些数据需要被缓存
class History {
// ...其他代码同上...
serialize(): string {
return JSON.stringify(this._messages);
}
static deserialize(data: string): History {
return new History(JSON.parse(data));
}
}
- 考虑使用专业序列化库:对于复杂场景,可以评估使用专业的序列化库如
class-transformer
总结
在Cache-Manager等缓存解决方案中处理对象序列化时,开发者应当:
- 明确区分数据和行为,缓存只应存储数据
- 设计类时考虑序列化需求,提供明确的序列化接口
- 重建对象时使用构造函数或属性赋值恢复完整功能
- 对于复杂场景采用DTO模式或专业序列化方案
遵循这些原则可以确保缓存功能的正确性,同时保持代码的清晰和可维护性。
登录后查看全文
热门项目推荐
相关项目推荐
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00
项目优选
收起
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
182
196
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
648
265
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
274
94
暂无简介
Dart
623
140
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
380
3.41 K
React Native鸿蒙化仓库
JavaScript
242
315
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.1 K
621
仓颉编译器源码及 cjdb 调试工具。
C++
126
856
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1