WedX - журнал о программировании и компьютерных науках

Jersey2 с Spring3: сериализация JSON абстрактного класса и отсутствующие свойства

Я использую Jersey-spring3 v2.17.

Все работает нормально. Объекты, сериализованные из служб REST, правильно отображаются в формате JSON.

Неправильно сериализуются только объекты из абстрактных классов. В объекте JSON присутствует и правильно определен только тип конкретного класса.

Некоторая информация о моей конфигурации: конфигурация Джерси/Джексона в классе конфигурации приложения:

register(JacksonFeature.class);

Абстрактный класс:

    @JsonTypeInfo(use = JsonTypeInfo.Id.NAME, include = JsonTypeInfo.As.PROPERTY, property = "type")  
    @JsonSubTypes({  
            @Type(value = Dog.class, name = "dog"), 
            @Type(value = Cat.class, name = "cat"), 
            @Type(value = Horse.class, name = "horse") })
    public abstract class Animal {
private String name;
private String description
    ...

Вывод в настоящее время находится в этом формате (отсутствуют свойства объекта)

[{"type":"dog"},{"type":"cat"},{"type":"horse"}]

Любая идея исправить мою проблему с отсутствующими свойствами в моем выводе JSON?


  • У вас есть публичные геттеры, объявленные в нашем абстрактном классе? 22.04.2015

Ответы:


1

Я рекомендую добавлять @JsonProperty к каждому свойству, которое вы хотите сериализовать в абстрактном классе. Кроме того, я рекомендую использовать @JsonPropertyOrder в классе для управления порядком сериализованных полей.

Предостережение относительно порядка свойств заключается в том, что свойство type всегда будет отображаться первым для JsonTypeInfo.As.PROPERTY, независимо от того, что вы поместили в @JsonPropertyOrder. Если ваши подклассы фактически предоставляют тип через геттер, вы можете использовать JsonTypeInfo.As.EXISTING_PROPERTY, и в этом случае вы можете контролировать даже порядок этого свойства, если я правильно помню. В jackson-databind-2.5.0 добавлена ​​поддержка функциональности JsonTypeInfo.As.EXISTING_PROPERTY.

22.04.2015
Новые материалы

Объяснение документов 02: BERT
BERT представил двухступенчатую структуру обучения: предварительное обучение и тонкая настройка. Во время предварительного обучения модель обучается на неразмеченных данных с помощью..

Как проанализировать работу вашего классификатора?
Не всегда просто знать, какие показатели использовать С развитием глубокого обучения все больше и больше людей учатся обучать свой первый классификатор. Но как только вы закончите..

Работа с цепями Маркова, часть 4 (Машинное обучение)
Нелинейные цепи Маркова с агрегатором и их приложения (arXiv) Автор : Бар Лайт Аннотация: Изучаются свойства подкласса случайных процессов, называемых дискретными нелинейными цепями Маркова..

Crazy Laravel Livewire упростил мне создание электронной коммерции (панель администратора и API) [Часть 3]
Как вы сегодня, ребята? В этой части мы создадим CRUD для данных о продукте. Думаю, в этой части я не буду слишком много делиться теорией, но чаще буду делиться своим кодом. Потому что..

Использование машинного обучения и Python для классификации 1000 сезонов новичков MLB Hitter
Чему может научиться машина, глядя на сезоны новичков 1000 игроков MLB? Это то, что исследует это приложение. В этом процессе мы будем использовать неконтролируемое обучение, чтобы..

Учебные заметки: создание моего первого пакета Node.js
Это мои обучающие заметки, когда я научился создавать свой самый первый пакет Node.js, распространяемый через npm. Оглавление Глоссарий I. Новый пакет 1.1 советы по инициализации..

Забудьте о Matplotlib: улучшите визуализацию данных с помощью умопомрачительных функций Seaborn!
Примечание. Эта запись в блоге предполагает базовое знакомство с Python и концепциями анализа данных. Привет, энтузиасты данных! Добро пожаловать в мой блог, где я расскажу о невероятных..


Для любых предложений по сайту: [email protected]