Jackson-databind 中 JsonSerializer 的正确使用方式:writeRaw 与 writeRawValue 的区别
在 Java 的 JSON 处理领域,Jackson 是最受欢迎的库之一。其中 jackson-databind 模块提供了强大的对象序列化和反序列化功能。本文将深入探讨一个常见的序列化陷阱:JsonSerializer 中 writeRaw 和 writeRawValue 方法的区别。
问题现象
开发者在自定义序列化器时,可能会遇到 JSON 输出格式不正确的问题。具体表现为字段名和字段值之间缺少必要的冒号分隔符,导致生成的 JSON 格式错误。例如:
{
"inner" {
"a" : "b"
}
}
正确的 JSON 应该在 "inner" 和后面的对象之间有一个冒号:
{
"inner" : {
"a" : "b"
}
}
问题根源
这个问题的根本原因在于错误地使用了 JsonGenerator 的 writeRaw 方法。writeRaw 方法如其名,会直接将字符串原样写入输出,不做任何格式化处理,包括不会添加必要的分隔符。
解决方案
正确的做法是使用 writeRawValue 方法。这个方法不仅会写入内容,还会确保 JSON 结构的完整性,自动添加必要的分隔符和格式。
public class InnerSerializer extends JsonSerializer<Inner> {
@Override
public void serialize(Inner value, JsonGenerator gen, SerializerProvider serializers) throws IOException {
gen.writeRawValue("{\"a\": \"b\"}"); // 使用 writeRawValue 而非 writeRaw
}
}
方法对比
| 方法 | 行为 | 适用场景 |
|---|---|---|
| writeRaw | 直接写入原始字符串,不做任何处理 | 需要完全控制输出内容,如写入注释等非标准JSON内容 |
| writeRawValue | 写入内容并确保JSON结构完整 | 标准JSON序列化场景 |
最佳实践
-
优先使用 writeRawValue:在大多数标准JSON序列化场景下,应该使用 writeRawValue 方法。
-
谨慎使用 writeRaw:只有在需要完全控制输出内容,或者需要写入非标准JSON内容(如注释)时才使用 writeRaw。
-
考虑使用标准序列化方法:对于简单场景,考虑使用 gen.writeStartObject() 和 gen.writeFieldName() 等标准方法,而不是直接写入原始字符串。
总结
理解 Jackson 中不同写入方法的区别对于生成正确的 JSON 格式至关重要。writeRawValue 方法会自动处理 JSON 结构所需的格式元素,而 writeRaw 则提供更底层、更直接的控制。在大多数情况下,writeRawValue 是更安全、更合适的选择。
通过正确使用这些方法,开发者可以避免 JSON 格式错误,确保应用程序与其他系统的顺畅交互。
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