FastEndpoints中JsonStringEnumConverter配置问题解析
问题背景
在使用FastEndpoints框架时,开发者可能会遇到枚举类型在JSON序列化时无法正确转换为字符串的问题。具体表现为:尽管已经配置了JsonStringEnumConverter,但API响应中枚举值仍然以数字形式输出,而不是预期的字符串形式。
问题现象
开发者配置了如下代码:
.UseFastEndpoints(c =>
{
c.Serializer.Options.Converters.Add(new JsonStringEnumConverter());
c.Endpoints.RoutePrefix = "api";
})
期望枚举类型AddressType在响应中显示为字符串形式(如"Type1"),但实际返回的是数字(如0)。
原因分析
-
依赖冲突:项目中可能同时引用了多个JSON序列化相关的包,特别是同时存在
Microsoft.AspNetCore.OpenApi和Swashbuckle.AspNetCore时,可能导致序列化行为不一致。 -
Converter配置时机:在某些情况下,全局配置的
JsonStringEnumConverter可能没有正确应用到所有序列化场景。 -
Swagger集成问题:虽然SwaggerUI中显示正确的字符串形式,但实际API响应却返回数字,表明序列化配置可能没有完全传播到运行时环境。
解决方案
方案一:直接在枚举上添加特性
最可靠的解决方案是在枚举类型上直接添加[JsonConverter]特性:
[JsonConverter(typeof(JsonStringEnumConverter))]
public enum AddressType
{
Type1,
Type2,
Type3
}
这种方法确保无论序列化配置如何,该枚举类型都会按照字符串形式序列化。
方案二:清理不必要的依赖
移除项目中与FastEndpoints不兼容或不必要的包引用:
<!-- 移除以下包 -->
<PackageReference Include="Microsoft.AspNetCore.OpenApi" Version="8.0.4"/>
<PackageReference Include="Swashbuckle.AspNetCore" Version="6.4.0"/>
FastEndpoints有自己的Swagger集成方案,不需要额外引入这些包。
方案三:验证Converter配置
确保使用的是正确的JsonStringEnumConverter:
// 确保使用的是System.Text.Json的Converter
using System.Text.Json.Serialization;
...
c.Serializer.Options.Converters.Add(new JsonStringEnumConverter());
最佳实践建议
-
优先使用枚举特性:对于关键的枚举类型,直接在类型上添加
[JsonConverter]特性是最可靠的做法。 -
保持依赖简洁:只保留必要的依赖,避免引入可能冲突的包。
-
测试实际响应:不要仅依赖SwaggerUI的显示,实际调用API验证响应格式。
-
考虑全局一致性:如果项目中有大量枚举需要字符串序列化,可以在全局配置基础上,为关键枚举添加特性作为双重保障。
总结
FastEndpoints框架中枚举序列化问题通常源于配置未完全生效或依赖冲突。通过直接在枚举类型上添加JsonConverter特性是最可靠的解决方案,同时保持项目依赖的简洁性也能避免许多潜在问题。开发者应根据项目实际情况选择最适合的解决方案。
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