Newtonsoft.Json 反序列化时意外追加数据的解决方案
2025-05-21 19:13:51作者:羿妍玫Ivan
问题现象
在使用 Newtonsoft.Json 进行游戏存档数据反序列化时,开发者遇到了一个奇怪的现象:当反序列化包含嵌套字典结构的 JSON 数据时,某些列表中的元素会被意外地追加,而不是简单地覆盖原有数据。
具体表现为:在反序列化后,missions 列表中出现了额外的元素,数量恰好等于 ActionStageSaveData 类中初始化 missions 列表时指定的元素数量。例如,如果初始化代码为 new() { new(), new(), new() },则反序列化后会额外添加 3 个元素。
问题根源
这个问题的根本原因在于 Newtonsoft.Json 的默认反序列化行为。Newtonsoft.Json 默认使用 ObjectCreationHandling.Auto 设置,这意味着:
- 对于已存在的集合和对象,Json.NET 会尝试重用它们
- 反序列化过程会将 JSON 中的数据添加到现有集合中,而不是替换整个集合
- 这种行为对于某些场景可能有用,但在大多数情况下会导致意外的数据追加
解决方案
要解决这个问题,我们需要修改 Newtonsoft.Json 的反序列化设置,明确指定对象创建处理方式:
var settings = new JsonSerializerSettings
{
ObjectCreationHandling = ObjectCreationHandling.Replace
};
loadedData = JsonConvert.DeserializeObject<GameData>(dataToLoad, settings);
使用 ObjectCreationHandling.Replace 设置后,Json.NET 将:
- 在反序列化时创建新对象,而不是重用现有对象
- 完全替换目标集合,而不是向其中添加元素
- 确保反序列化结果与原始 JSON 数据完全一致
深入理解 ObjectCreationHandling
Newtonsoft.Json 提供了三种对象创建处理方式:
- Auto(默认):根据情况自动决定是重用还是替换对象
- Reuse:尽可能重用现有对象和集合
- Replace:总是创建新对象并替换现有集合
在大多数业务场景中,特别是涉及数据持久化和恢复的场景,Replace 是最安全的选择,因为它能确保反序列化结果与序列化前的数据完全一致。
最佳实践建议
- 明确指定序列化设置:不要依赖默认设置,特别是对于重要数据的序列化/反序列化
- 考虑使用 DTO 模式:为序列化设计专用的数据传输对象,避免业务逻辑与序列化逻辑耦合
- 单元测试验证:编写单元测试验证序列化/反序列化的正确性
- 文档记录设置:在项目文档中记录使用的 JSON 序列化设置,方便团队协作
总结
Newtonsoft.Json 的默认反序列化行为可能会导致数据意外追加的问题,特别是在处理嵌套集合时。通过明确设置 ObjectCreationHandling.Replace,开发者可以确保反序列化过程按预期工作,避免数据不一致的问题。理解并正确配置序列化设置是使用任何 JSON 库的重要基础。
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
最新内容推荐
MQTT客户端软件源代码:物联网开发的强大工具与最佳实践指南 Launch4j中文版:Java应用程序打包成EXE的终极解决方案 全球GEOJSON地理数据资源下载指南 - 高效获取地理空间数据的完整解决方案 TortoiseSVN 1.14.5.29465 中文版:高效版本控制的终极解决方案 IK分词器elasticsearch-analysis-ik-7.17.16:中文文本分析的最佳解决方案 电脑PC网易云音乐免安装皮肤插件使用指南:个性化音乐播放体验 STM32到GD32项目移植完全指南:从兼容性到实战技巧 QT连接阿里云MySQL数据库完整指南:从环境配置到问题解决 基于Matlab的等几何分析IGA软件包:工程计算与几何建模的完美融合 XMODEM协议C语言实现:嵌入式系统串口文件传输的经典解决方案
项目优选
收起
deepin linux kernel
C
25
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
416
3.2 K
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
🔥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
65
19
暂无简介
Dart
682
160
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
23
0
🎉 (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
1.21 K
664
React Native鸿蒙化仓库
JavaScript
265
326
无需学习 Kubernetes 的容器平台,在 Kubernetes 上构建、部署、组装和管理应用,无需 K8s 专业知识,全流程图形化管理
Go
15
1
Ascend Extension for PyTorch
Python
230
259