Jackson-core 浮点数无限值解析异常问题分析与修复
问题背景
在Jackson-core 2.18.0及以上版本中,当JSON数据结构包含特殊类型继承关系且存在浮点数的无限大值时,会出现意外的数值解析错误。具体表现为:当某个字段被设置为Double类型的最大值(1.7976931348623157e+308)时,解析过程中会错误地将其他无关字段的值也修改为同样的无限大值。
技术细节分析
这个问题主要涉及以下几个技术点:
-
JSON类型继承处理:示例代码中使用了
@JsonTypeInfo和@JsonSubTypes注解来实现多态类型处理,其中include = JsonTypeInfo.As.EXISTING_PROPERTY表示类型信息来自现有属性。 -
大数解析机制:Jackson在解析极大数值时(如示例中的17976931348623157...000),会将其识别为Double类型的最大值(Double.MAX_VALUE)。
-
解析状态管理:问题的根本原因在于解析器在处理完一个大数后,未能正确清理内部状态,导致该数值"泄漏"到后续的解析过程中。
问题复现
通过以下JSON结构可以稳定复现该问题:
{
"results": [
{
"radius": 17976931348623157...000, // 极大数值
"type": "center",
"center": {
"x": -11.0, // 会被错误修改
"y": -2.0
}
}
]
}
解析后,原本应为-11.0的x值会被错误地设置为1.7976931348623157e+308。
影响范围
- 受影响版本:Jackson-core 2.18.0及以上
- 最后正常版本:2.17.3
- 修复版本:2.19.0、2.18.3及可能的2.17.4.x
解决方案
开发团队通过以下方式解决了该问题:
-
完全清理解析状态:在2.19.0版本中,解析器现在会在reset()调用时完全清除内部_numberString状态。
-
针对性修复:对于2.18.x版本,团队最初尝试最小化修改以避免引入回归问题,但最终决定将完整的2.19.0修复方案反向移植到2.18.3版本。
技术建议
对于使用Jackson-core进行JSON处理的开发者,建议:
-
如果应用中需要处理极大数值或科学计数法表示的浮点数,应尽快升级到修复版本。
-
在类型继承结构中,特别注意数值字段的处理,考虑添加额外的验证逻辑。
-
对于关键业务数据,建议在反序列化后添加合理性检查,特别是当数据结构中包含可能的大数值时。
总结
这个问题展示了JSON解析器中状态管理的重要性,特别是在处理特殊数值和复杂类型结构时。Jackson-core团队通过完善解析器的状态清理机制,从根本上解决了数值"泄漏"的问题,为开发者提供了更可靠的JSON处理能力。
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