SeaQL/sea-query 0.32.3版本发布:增强SQL构建能力
SeaQL/sea-query是一个用Rust编写的SQL查询构建器,它提供了类型安全的方式来构建各种SQL语句。通过这个库,开发者可以避免手动拼接SQL字符串带来的安全风险,同时享受到Rust类型系统带来的好处。最新发布的0.32.3版本带来了几项重要的功能增强,进一步提升了SQL构建的灵活性和表达能力。
新增功能详解
支持UPDATE FROM语法
在SQL中,UPDATE FROM语句允许我们基于另一个表的数据来更新当前表。这在需要关联更新时非常有用。新版本中,SeaQL/sea-query现在可以构建这样的查询:
let query = Query::update()
.table(Glyph::Table)
.value(Glyph::Tokens, Expr::column((Char::Table, Char::Character)))
.from(Char::Table)
.cond_where(
Expr::col((Glyph::Table, Glyph::Image))
.eq(Expr::col((Char::Table, Char::UserData))),
)
.to_owned();
这段代码会生成如下SQL(以PostgreSQL为例):
UPDATE "glyph" SET "tokens" = "character"."character" FROM "character"
WHERE "glyph"."image" = "character"."user_data"
这种语法在需要基于关联表数据更新主表时特别有用,避免了子查询或临时表的使用。
支持PostgreSQL的TABLESAMPLE
TABLESAMPLE是PostgreSQL提供的一个强大功能,它允许从表中随机抽样数据。这在处理大型数据集时特别有用,可以快速获取代表性样本而不必处理整个表。
新版本通过扩展方法支持了这一特性:
use sea_query::extension::postgres::PostgresSelectStatementExt;
let query = Query::select()
.columns([Glyph::Image])
.from(Glyph::Table)
.table_sample(SampleMethod::SYSTEM, 50.0, None)
.to_owned();
生成的SQL如下:
SELECT "image" FROM "glyph" TABLESAMPLE SYSTEM (50)
SYSTEM采样方法会对表的物理块进行采样,效率很高。50.0参数表示采样50%的数据。
支持ALTER COLUMN USING语法
在PostgreSQL中,ALTER COLUMN USING允许在修改列类型时指定一个转换表达式。这在需要保留数据的同时改变列类型时非常有用。
新版本支持构建这样的DDL语句:
let table = Table::alter()
.table(Char::Table)
.modify_column(
ColumnDef::new(Char::Id)
.integer()
.using(Expr::col(Char::Id).cast_as(Alias::new("integer"))),
)
.to_owned();
生成的SQL如下:
ALTER TABLE "character" ALTER COLUMN "id" TYPE integer USING CAST("id" AS integer)
这在需要将字符串类型转换为数值类型等场景下特别有用,可以确保数据转换的正确性。
内部改进
除了上述功能增强外,0.32.3版本还进行了以下内部改进:
-
将ordered-float依赖升级到了4.x版本,这是一个用于处理有序浮点数的库,在SQL构建中用于处理浮点数值。
-
将thiserror依赖升级到了2.x版本,这个库提供了更方便的错误处理宏,使得SeaQL/sea-query的错误处理更加简洁高效。
总结
SeaQL/sea-query 0.32.3版本通过新增对UPDATE FROM、TABLESAMPLE和ALTER COLUMN USING等SQL语法的支持,进一步丰富了其SQL构建能力。这些增强使得开发者能够更灵活地构建复杂的SQL语句,同时保持类型安全和代码可维护性。
对于使用PostgreSQL的开发者来说,新增的TABLESAMPLE支持特别有价值,它为大数据分析场景提供了便利。而UPDATE FROM语法则简化了关联更新操作,ALTER COLUMN USING则为数据库迁移提供了更多灵活性。
随着这些功能的加入,SeaQL/sea-query继续巩固其作为Rust生态中强大SQL构建器的地位,为开发者提供了更完善的工具来处理各种数据库操作需求。
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