Drizzle ORM 动态查询条件构建的注意事项
2025-05-06 20:38:05作者:仰钰奇
在使用 Drizzle ORM 进行动态查询构建时,开发者经常会遇到条件组合的问题。本文将通过一个实际案例,深入分析如何正确构建动态查询条件,特别是处理多条件组合时的注意事项。
问题背景
在开发过程中,我们经常需要根据用户输入动态构建查询条件。例如,在一个类型查询功能中,用户可能选择一种或多种类型进行筛选。初始实现可能会尝试通过连续调用 .where() 方法来添加条件,但这会导致意外的查询行为。
错误实现分析
原始代码中,开发者尝试通过以下方式构建查询:
let query = db.select(...).from(...).leftJoin(...).$dynamic();
if (input?.types?.includes('A')) {
query = query.where(isNotNull(typesJoinTable.alphaId));
}
if (input?.types?.includes('B')) {
query = query.where(isNotNull(typesJoinTable.betaId));
}
if (input?.types?.includes('C')) {
query = query.where(isNotNull(typesJoinTable.charlieId));
}
query = query.where(isNotNull(typesTable.name));
这种实现方式存在两个主要问题:
- 连续调用
.where()并不会自动将条件用 AND 连接 - 当需要 OR 逻辑时,这种实现无法满足需求
正确解决方案
方案一:使用 AND 组合条件
当需要所有条件同时满足时(AND 逻辑),应该将所有条件收集到一个数组中,然后使用 and() 函数组合:
const where: SQL[] = [];
if (input?.types?.includes('A')) {
where.push(isNotNull(typesJoinTable.alphaId));
}
if (input?.types?.includes('B')) {
where.push(isNotNull(typesJoinTable.betaId));
}
if (input?.types?.includes('C')) {
where.push(isNotNull(typesJoinTable.charlieId));
}
where.push(isNotNull(typesTable.name));
let query = db.select(...)
.from(...)
.leftJoin(...)
.where(and(...where));
方案二:混合使用 AND 和 OR
当需要部分条件使用 OR 逻辑时,可以分层组合条件:
const where: SQL[] = [];
const orConditions: SQL[] = [];
if (input?.types?.includes('A')) {
orConditions.push(isNotNull(typesJoinTable.alphaId));
}
if (input?.types?.includes('B')) {
orConditions.push(isNotNull(typesJoinTable.betaId));
}
if (input?.types?.includes('C')) {
orConditions.push(isNotNull(typesJoinTable.charlieId));
}
if (orConditions.length > 0) {
where.push(or(...orConditions));
}
where.push(isNotNull(typesTable.name));
let query = db.select(...)
.from(...)
.leftJoin(...)
.where(and(...where));
最佳实践建议
- 明确条件逻辑:在构建查询前,先明确各条件间是 AND 还是 OR 关系
- 使用条件收集模式:先将条件收集到数组中,再统一应用到查询
- 分层组合条件:对于复杂的逻辑组合,可以分层处理不同层级的条件
- 检查生成的SQL:通过日志检查最终生成的SQL是否符合预期
总结
Drizzle ORM 提供了灵活的动态查询构建能力,但需要开发者明确条件间的逻辑关系。通过合理使用 and() 和 or() 函数,可以构建出符合业务需求的复杂查询。记住,连续调用 .where() 并不会自动组合条件,正确的做法是显式地使用条件组合函数。
登录后查看全文
热门项目推荐
相关项目推荐
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python02
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
HunyuanWorld-Mirror混元3D世界重建模型,支持多模态先验注入和多任务统一输出Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile014
Spark-Chemistry-X1-13B科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
288
2.59 K
deepin linux kernel
C
24
7
React Native鸿蒙化仓库
JavaScript
225
304
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++
605
180
暂无简介
Dart
575
127
Ascend Extension for PyTorch
Python
114
144
🎉 (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
1.04 K
609
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
450
本项目是CANN提供的是一款高效、可靠的Transformer加速库,基于华为Ascend AI处理器,专门为Transformer模型的训练和推理而设计。
C++
46
75
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
136
57