Marten库中ToPagedListAsync与Select投影查询的兼容性问题分析
问题背景
在使用Marten 7.25.1版本进行文档数据库查询时,开发人员发现了一个关于分页查询与投影查询(Select)组合使用的兼容性问题。具体表现为:当使用ToPagedListAsync()方法与Select投影结合时,返回结果中的所有属性值均为null,而单独使用ToListAsync()时却能正常获取数据。
问题复现
让我们通过代码示例来理解这个问题:
// 正常工作的情况
var folders = await _storage.Query<Folder>()
.Select(f => new InANutshellFolder()
{
OperationDate = f.ClassAction.OperationDate,
FolderIdentifier = f.Id,
})
.ToListAsync();
// 出现问题的情况
var folders = await _storage.Query<Folder>()
.Select(f => new InANutshellFolder()
{
OperationDate = f.ClassAction.OperationDate,
FolderIdentifier = f.Id,
})
.ToPagedListAsync(1, 30);
在第二个使用ToPagedListAsync的示例中,返回的InANutshellFolder对象的所有属性值都为null,而第一个使用ToListAsync的示例则能正确填充属性值。
技术分析
这个问题实际上反映了Marten在7.25.1版本中对LINQ查询处理的一个缺陷。当进行分页查询时,Marten内部生成的SQL查询可能没有正确处理投影转换(Select)后的结果映射。
在底层实现上,ToPagedListAsync需要执行两个操作:
- 获取符合条件的数据总数(用于分页信息)
- 获取当前页面的实际数据
问题可能出在第二步中,当处理投影后的结果时,Marten没有正确地将数据库查询结果映射到目标类型InANutshellFolder的属性上。
解决方案
根据项目维护者的回复,这个问题已经在Marten 7.26.1版本中得到修复。修复的核心在于改进了分页查询与投影查询的组合处理逻辑,确保在分页场景下也能正确执行属性映射。
最佳实践建议
-
版本升级:遇到此类问题时,首先考虑升级到已修复该问题的版本(7.26.1或更高)。
-
替代方案:如果暂时无法升级,可以考虑以下替代实现:
var query = _storage.Query<Folder>() .Select(f => new InANutshellFolder() { OperationDate = f.ClassAction.OperationDate, FolderIdentifier = f.Id, }); var total = await query.CountAsync(); var items = await query.Skip((pageNumber - 1) * pageSize) .Take(pageSize) .ToListAsync(); return new PagedList<InANutshellFolder>(items, pageNumber, pageSize, total); -
测试验证:在使用分页与投影组合功能时,应编写单元测试验证返回结果的正确性。
总结
这个案例展示了ORM框架中查询组合功能可能存在的边界情况。Marten作为.NET生态中优秀的文档数据库库,其维护团队对这类问题的响应速度值得肯定。开发者在遇到类似问题时,应及时检查版本更新并与社区沟通,以获得最佳解决方案。
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