Bun ORM 中使用 MSSQL 实现插入后获取自增 ID 的最佳实践
2025-06-15 00:03:49作者:范垣楠Rhoda
在使用 Bun ORM 与 MSSQL 数据库交互时,开发者经常会遇到需要获取插入记录自增 ID 的场景。本文将深入探讨这一常见需求的技术实现方案。
问题背景
在 MSSQL 数据库中,传统获取自增 ID 的方式通常有两种:
- 使用
SCOPE_IDENTITY()函数 - 使用
OUTPUT INSERTED.column_name语法
当使用 Bun ORM 时,开发者可能会尝试以下方式:
type Person struct {
bun.BaseModel `bun:"table:Person,alias:p"`
PersonID int `bun:"PersonID,pk,autoincrement"`
Name string `bun:"Name"`
}
entity := &Person{Name:"John Doe"}
personid := 0
err := db.NewInsert().Model(entity).Returning("SCOPE_IDENTITY()").Scan(context.Background(), &personid)
然而这种方法在 Bun 中并不适用,因为 Bun 的 Returning 方法设计初衷是处理列名而非函数调用。
正确解决方案
Bun ORM 针对 MSSQL 提供了专门的语法支持。正确的实现方式应该是:
err := db.NewInsert()
.Model(entity)
.Returning("INSERTED.PersonID")
.Scan(context.Background(), &personid)
或者更简洁的版本(自动填充到结构体字段):
err := db.NewInsert()
.Model(entity)
.Returning("PersonID")
.Scan(context.Background())
技术原理
-
OUTPUT 子句机制: Bun 在处理 MSSQL 的 Returning 方法时,实际上会生成
OUTPUT INSERTED.column_name语法 这是 MSSQL 特有的数据操作语法,允许在同一个语句中返回受影响行的数据 -
自动映射特性: 当不指定接收变量时,Bun 会自动将返回的 ID 值映射到模型的主键字段 这种设计符合 ORM 的惯例,减少了样板代码
-
事务安全性: 相比
SCOPE_IDENTITY(),使用 OUTPUT 子句在多语句事务中更加可靠 它能确保获取的就是当前插入操作生成的 ID
最佳实践建议
- 对于简单的插入操作,推荐使用自动映射方式
- 需要获取非主键字段时,可以扩展 Returning 参数
- 在复杂事务中,优先使用 OUTPUT 语法而非函数调用
- 注意字段名称的大小写敏感性,确保与数据库定义一致
通过理解这些技术细节,开发者可以更高效地使用 Bun ORM 处理 MSSQL 的自增 ID 场景,避免常见的陷阱和误区。
登录后查看全文
热门项目推荐
相关项目推荐
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
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
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00
项目优选
收起
deepin linux kernel
C
27
11
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
570
3.84 K
Ascend Extension for PyTorch
Python
380
454
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
894
677
暂无简介
Dart
803
198
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
353
207
昇腾LLM分布式训练框架
Python
119
147
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
12
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
68
20
🎉 (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
1.37 K
781