Newtonsoft.Json 处理缺失派生类的反序列化方案
2025-05-21 06:59:17作者:范靓好Udolf
背景介绍
在使用 Newtonsoft.Json 进行对象序列化和反序列化时,我们经常会遇到类型继承的场景。特别是在插件化架构的应用程序中,基类定义在主程序中,而派生类可能来自动态加载的插件 DLL。当这些插件不可用时,如何优雅地处理包含派生类数据的反序列化就成为一个重要问题。
典型场景分析
假设我们有以下类结构:
// 主程序中的基类
public class BaseClass
{
public int Id { get; set; }
public string Name { get; set; }
}
// 插件中的派生类
public class DerivedClass : BaseClass
{
public string PluginSpecificProperty { get; set; }
}
当使用 TypeNameHandling.All 设置进行序列化时,JSON 中会包含完整的类型信息。如果派生类所在的 DLL 不可用,默认情况下反序列化会失败。
解决方案
Newtonsoft.Json 提供了错误处理机制,可以通过 JsonSerializerSettings 的 Error 事件来处理反序列化过程中的异常。
实现步骤
- 设置错误处理程序:
var settings = new JsonSerializerSettings
{
TypeNameHandling = TypeNameHandling.All,
Error = HandleDeserializationError
};
- 实现错误处理逻辑:
private static void HandleDeserializationError(object sender, ErrorEventArgs errorArgs)
{
var currentError = errorArgs.ErrorContext.Error;
// 检查是否是类型加载失败的错误
if (currentError is JsonSerializationException serializationException &&
serializationException.InnerException is TypeLoadException)
{
// 获取原始类型信息
JObject jObject = JObject.Parse(errorArgs.ErrorContext.OriginalObject.ToString());
string originalTypeName = jObject["$type"].ToString();
// 尝试回退到基类
Type baseType = typeof(BaseClass); // 根据实际情况获取基类
errorArgs.ErrorContext.OriginalObject = jObject.ToObject(baseType);
errorArgs.ErrorContext.Handled = true;
}
}
工作原理
- 当反序列化遇到无法加载的类型时,会触发
TypeLoadException - 错误处理程序捕获这个异常,并从 JSON 中提取原始类型信息
- 将对象反序列化为基类类型,忽略派生类特有的属性
- 标记错误为已处理,允许反序列化过程继续
进阶优化
对于更复杂的场景,可以考虑以下优化:
- 类型映射表:维护一个已知派生类到基类的映射表,实现更精确的回退
- 属性保留:即使回退到基类,也可以尝试保留那些基类中也存在的派生类属性
- 日志记录:记录无法加载的类型信息,便于后续调试
注意事项
- 使用此方法时,派生类特有的属性数据将会丢失
- 确保基类足够通用,能够承载派生类的主要功能
- 在关键业务场景中,应该记录并监控这类回退事件
结论
通过合理配置 Newtonsoft.Json 的错误处理机制,我们可以实现当派生类不可用时优雅地回退到基类的反序列化策略。这种方法特别适合插件化架构的应用程序,能够提高系统的健壮性和兼容性。
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-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。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
186
205
暂无简介
Dart
629
143
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
React Native鸿蒙化仓库
JavaScript
242
316
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
383
3.62 K
openGauss kernel ~ openGauss is an open source relational database management system
C++
158
210
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
291
103
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
266
仓颉编译器源码及 cjdb 调试工具。
C++
128
858