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。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00- QQwen3-Coder-Next2026年2月4日,正式发布的Qwen3-Coder-Next,一款专为编码智能体和本地开发场景设计的开源语言模型。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin08
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00