SQLDelight中PostgreSQL的UPDATE FROM语句编译问题解析
在SQLDelight 2.0.1版本中使用PostgreSQL方言时,开发者可能会遇到一个特定的编译错误。当尝试执行带有FROM子句的UPDATE语句时,如果目标表和源表存在同名列,系统会报出"Multiple columns found with name"的错误。
问题现象
考虑以下数据库表结构:
CREATE TABLE table(
table_id BIGSERIAL PRIMARY KEY,
other_id BIGSERIAL NOT NULL
);
CREATE TABLE other(
other_id BIGSERIAL PRIMARY KEY,
other_name varchar(255) UNIQUE NOT NULL
);
当开发者编写如下UPDATE语句时:
UPDATE table
SET other_id = o.other_id
FROM other o
WHERE other_name = :otherName AND table_id = :tableId;
SQLDelight编译器会报错:"Multiple columns found with name other_id",指出在SET子句中的第一个other_id处存在问题。
问题本质
这个问题的根源在于SQLDelight的类型检查器在处理UPDATE FROM语句时,无法正确区分同名的列来自哪个表。在PostgreSQL中,UPDATE FROM语法是合法的,它允许开发者从一个表更新另一个表的数据。然而,SQLDelight的类型系统在解析这类语句时,会同时看到两个表中的other_id列,导致混淆。
临时解决方案
开发者可以采用WITH子句(公用表表达式)作为临时解决方案:
WITH cte(id) AS (
SELECT other_id FROM other WHERE other_name = :otherName
)
UPDATE table
SET other_id = cte.id
FROM cte
WHERE table_id = :tableId;
需要注意的是,如果CTE中使用了与列名相同的别名(如将cte(id)改为cte(other_id)),同样会触发相同的错误。
技术背景
这个问题与SQLDelight处理SQL语句的方式有关。SQLDelight会在编译时对SQL语句进行类型检查,确保所有引用的列都存在且类型匹配。在UPDATE FROM语句中,当两个表有同名列时,类型检查器需要明确知道每个列引用指向的是哪个表的列。
PostgreSQL的UPDATE FROM语法虽然强大,但也增加了SQL解析的复杂性。SQLDelight需要正确识别SET子句中的列属于目标表,而FROM子句中的列属于源表。
解决方案进展
根据项目协作者的反馈,这个问题与之前SQLite方言中出现的类似问题相同。开发团队已经为SQLite实现了修复方案,同样的修复方法也适用于PostgreSQL方言。这意味着未来的SQLDelight版本将会解决这个问题,使开发者能够正常使用UPDATE FROM语法而无需使用CTE变通方案。
总结
SQLDelight作为类型安全的SQL生成器,在处理复杂SQL语句时会进行严格的类型检查。虽然这有时会导致一些语法限制,但也确保了生成的SQL语句的类型安全。开发者在使用UPDATE FROM这类高级语法时,需要注意同名列可能带来的问题,可以暂时使用CTE作为替代方案,等待官方修复发布。
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