AWS SDK for .NET 中 DynamoDBContext 对 DateOnly 和 TimeOnly 的支持
在最新发布的 AWSSDK.DynamoDBv2 4.0.0-preview.10 版本中,AWS .NET SDK 团队为 DynamoDBContext 添加了对 .NET 6+ 新增的 DateOnly 和 TimeOnly 类型的原生支持。这一改进解决了开发者在使用 DynamoDB 存储纯日期或纯时间数据时的痛点。
背景与需求
在数据处理场景中,我们经常遇到只需要存储日期(如生日、事件日期)或时间(如营业时间、会议时间)而不需要完整时间戳的情况。在 .NET 6 之前,开发者只能使用 DateTime 类型,这会导致存储冗余信息(时间部分为默认值)或引入额外的转换逻辑。
.NET 6 引入了两个专门处理这类场景的值类型:
- DateOnly:仅表示日期(年、月、日)
- TimeOnly:仅表示时间(时、分、秒、毫秒)
实现方案
AWS SDK 团队通过添加四个新的转换器来实现这一功能:
- DateOnlyConverterV1
- TimeOnlyConverterV1
- DateOnlyConverterV2
- TimeOnlyConverterV2
这些转换器采用了与现有 DateTime 转换器不同的字符串格式:
- DateOnly 使用 "yyyy-MM-dd" 格式
- TimeOnly 使用 "HH:mm:ss.fff" 格式
这种设计保持了与现有系统的兼容性。即使 .NET Framework 或其他不支持 DateOnly/TimeOnly 的平台访问这些数据,也能通过 DateTime 类型解析这些格式。
技术细节
实现上主要涉及三个方面的修改:
- DynamoDBEntryConversion 中新增转换器注册
- SchemaV1 和 SchemaV2 对新增类型的支持
- 条件编译确保只在支持的目标框架中启用
值得注意的是,由于 DateOnly 和 TimeOnly 是 .NET 6+ 引入的类型,这些功能不会在 .NET Standard 版本中提供。
开发者价值
这一改进为开发者带来了以下好处:
- 更精确的数据建模能力,可以准确表达业务领域中的纯日期/时间概念
- 减少不必要的类型转换代码
- 保持向后兼容性,现有系统仍能读取新格式的数据
- 与 .NET 生态的新特性保持同步
总结
AWS SDK for .NET 团队持续关注开发者需求,通过添加对 DateOnly 和 TimeOnly 的支持,进一步提升了 DynamoDB 在 .NET 应用中的数据建模能力。这一改进体现了 AWS 对 .NET 生态系统的重视,也为开发者处理日期时间数据提供了更专业的工具。
对于正在使用或计划使用 DynamoDB 的 .NET 6+ 项目,建议升级到最新预览版本来体验这一功能。
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
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
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