NSwag项目中System.Text.Json序列化设置未正确应用的解决方案
背景介绍
在.NET生态系统中,NSwag是一个流行的工具,用于生成Swagger/OpenAPI文档和客户端代码。当开发者使用Minimal API(不依赖MVC框架)构建应用程序时,可能会遇到System.Text.Json序列化设置未被NSwag正确识别的问题。
问题现象
开发者在使用纯Minimal API项目时发现,虽然应用程序内部配置了camelCase的JSON序列化策略,但NSwag生成的OpenAPI/Swagger文档仍然输出PascalCase格式的属性名。这与应用程序的实际行为不符,可能导致前端客户端与后端API之间的数据格式不一致。
根本原因
NSwag默认通过MvcOptions来获取JSON序列化设置。在纯Minimal API项目中,由于没有使用MVC框架,这些设置不会被自动配置,导致NSwag无法获取到应用程序的System.Text.Json配置。
解决方案
1. 显式配置MvcOptions(传统方案)
开发者可以手动添加MvcOptions配置,确保NSwag能够获取到正确的序列化设置:
builder.Services.Configure<MvcOptions>(options =>
{
options.OutputFormatters.Add(
new SystemTextJsonOutputFormatter(
System.Text.Json.JsonSerializerOptions.Default));
});
这种方法虽然有效,但引入了MVC相关的依赖,对于纯Minimal API项目来说不够优雅。
2. 配置HttpJsonOptions(推荐方案)
更现代的解决方案是直接配置Minimal API的JSON选项:
builder.Services.ConfigureHttpJsonOptions(options =>
{
options.SerializerOptions.PropertyNamingPolicy = JsonNamingPolicy.CamelCase;
});
这种方法更符合Minimal API的设计理念,且能确保NSwag正确识别序列化设置。
3. 客户端自定义(前端解决方案)
对于生成的客户端代码,可以通过创建部分类来覆盖默认的JSON设置:
public partial class Client
{
static partial void UpdateJsonSerializerSettings(JsonSerializerOptions settings)
{
settings.PropertyNamingPolicy = JsonNamingPolicy.CamelCase;
}
}
这种方法适用于需要在前端代码中强制特定命名策略的场景。
最新进展
在NSwag的v14.0.7版本中,这个问题已得到修复。开发者可以直接使用ConfigureHttpJsonOptions来配置JSON序列化行为,而无需额外配置MvcOptions。
最佳实践建议
- 对于新项目,建议使用最新版本的NSwag(v14.0.7或更高)
- 优先使用ConfigureHttpJsonOptions来配置JSON序列化
- 如果必须使用旧版本,可以采用显式配置MvcOptions的临时方案
- 定期检查NSwag的更新日志,获取最新的功能改进和bug修复
通过理解这些解决方案,开发者可以确保NSwag生成的API文档与实际API行为保持一致,避免前后端数据格式不一致的问题。
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