Elasticsearch-NET 8.x 版本中自定义序列化器的实现方法
2025-06-19 21:03:46作者:侯霆垣
在 Elasticsearch-NET 8.x 最新版本中,自定义 JSON 序列化器的实现方式有了显著简化。本文将详细介绍如何在最新版本中扩展序列化功能,以及新旧实现方式的对比。
旧版本实现方式
在 8.x 之前的版本中,开发者需要通过继承 SystemTextJsonSerializer 类来扩展序列化功能。典型实现如下:
internal class ExtendedSystemTextJsonSerializer : SystemTextJsonSerializer
{
public ExtendedSystemTextJsonSerializer(IElasticsearchClientSettings elasticsearchClientSettings)
: base(elasticsearchClientSettings)
{
JsonSerializerOptions options = DefaultSourceSerializer.CreateDefaultJsonSerializerOptions(includeDefaultConverters: true);
options.Converters.Add(new ObjectConverter());
Options = DefaultSourceSerializer.AddDefaultConverters(options);
}
protected JsonSerializerOptions Options { get; set; }
protected override JsonSerializerOptions CreateJsonSerializerOptions() => Options;
}
使用时需要通过 ElasticsearchClientSettings 的构造函数注入:
ElasticsearchClientSettings elasticsearchClientSettings = new(
nodePool,
sourceSerializer: (defaultSerializer, settings) =>
new ExtendedSystemTextJsonSerializer(settings));
这种方式需要开发者创建一个完整的派生类,并手动管理 JsonSerializerOptions 的配置过程。
新版本简化实现
在 8.x 最新版本中,Elasticsearch-NET 团队简化了这一过程,不再需要创建派生类。新的实现方式更加简洁:
ElasticsearchClientSettings elasticsearchClientSettings = new(
nodePool,
sourceSerializer: (defaultSerializer, settings) =>
new DefaultSourceSerializer(settings, options => options.Converters.Add(/* 自定义转换器 */)));
技术解析
-
DefaultSourceSerializer 构造函数:新版提供了更灵活的构造函数,允许直接传入一个配置委托来修改
JsonSerializerOptions。 -
配置委托:通过
options => options.Converters.Add()这样的 lambda 表达式,可以直接添加自定义的 JSON 转换器,无需手动创建默认选项。 -
简化流程:省去了创建派生类和手动管理选项的步骤,使代码更加简洁明了。
最佳实践
对于大多数自定义序列化需求,推荐使用新版方式。它提供了以下优势:
- 代码量减少,维护成本降低
- 更符合现代 .NET 的配置模式
- 与 Elasticsearch-NET 内部实现更好地集成
- 减少了潜在的错误点
如果需要更复杂的自定义,仍然可以通过实现 ISerializer 接口来完全控制序列化过程,但对于简单的添加转换器需求,新版方式已经足够。
总结
Elasticsearch-NET 8.x 在序列化器扩展方面做了重要改进,使开发者能够以更简洁的方式实现自定义序列化逻辑。这一变化体现了框架向更简单、更现代的 API 设计方向发展的趋势,同时也保持了足够的灵活性以满足各种复杂场景的需求。
登录后查看全文
热门项目推荐
相关项目推荐
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
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
223
246
暂无简介
Dart
672
157
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++
663
313
React Native鸿蒙化仓库
JavaScript
262
324
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
🎉 (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
1.2 K
655
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
218
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
330
137