SqlSugar中处理SqlHierarchyId类型的自定义转换方案
在使用SqlSugar ORM框架与SQL Server数据库交互时,有时会遇到需要处理特殊数据类型如SqlHierarchyId的情况。本文将详细介绍如何在SqlSugar中实现SqlHierarchyId类型的自定义转换。
问题背景
当数据库表中包含SqlHierarchyId类型的字段时,直接映射到C#的string类型会导致类型转换异常。这是因为SqlHierarchyId是SQL Server特有的数据类型,不能直接转换为.NET的string类型。
解决方案
SqlSugar提供了自定义类型转换的机制,可以通过实现ISugarDataConverter接口来解决这个问题。
自定义转换器实现
首先需要创建一个自定义转换器类,继承ISugarDataConverter接口:
public class HierarchyIdConverter : ISugarDataConverter
{
public SugarParameter ParameterConverter<T>(object value, int index)
{
var parameterName = "@hierarchyIdParam" + index;
return new SugarParameter(parameterName, value)
{
CustomDbType = SqlDbType.Udt, // 指定为UDT类型
UdtTypeName = "hierarchyid" // 指定UDT类型名称
};
}
public T QueryConverter<T>(IDataRecord dataRecord, int index)
{
// 直接从数据记录中获取值,由调用方处理类型转换
return (T)dataRecord.GetValue(index);
}
}
在实体类中应用转换器
在实体类中,通过SugarColumn特性指定自定义转换器:
public class Department
{
[SugarColumn(SqlParameterDbType = typeof(HierarchyIdConverter))]
public string HierarchyPath { get; set; }
// 其他属性...
}
实现原理
-
参数转换:当SqlSugar需要将C#对象转换为SQL参数时,会调用
ParameterConverter方法。在这里我们明确指定参数类型为UDT(用户定义类型),并设置具体的UDT名称为"hierarchyid"。 -
查询结果转换:当从数据库读取数据时,
QueryConverter方法会被调用。我们直接返回原始值,由调用方处理具体的类型转换逻辑。
注意事项
-
确保项目中已引用Microsoft.SqlServer.Types程序集,这是处理SqlHierarchyId类型所必需的。
-
在实际业务代码中处理SqlHierarchyId时,可能需要额外的类型转换逻辑,因为数据库返回的是SqlHierarchyId对象而非字符串。
-
对于复杂的层次结构操作,建议在应用层封装专门的辅助方法来处理SqlHierarchyId的解析和构建。
扩展应用
这种自定义转换器机制不仅适用于SqlHierarchyId类型,还可以用于处理其他特殊数据库类型,如地理空间数据类型(Geometry/Geography)、XML类型等。只需要根据具体类型的特性实现相应的转换逻辑即可。
通过这种灵活的类型转换机制,SqlSugar能够很好地支持SQL Server中的各种特殊数据类型,为开发人员提供了更大的灵活性。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。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