Ash项目中的默认排序机制优化方案
2025-07-08 08:29:24作者:袁立春Spencer
背景介绍
在Ash框架中,当资源(Resource)配置了全局准备(preparation)排序,同时又通过其他扩展(如JSON API)应用了不同的排序条件时,会出现排序条件拼接的问题。这会导致数据库查询出现不符合预期的结果,甚至在某些数据库(如SQLite)中引发500错误。
问题分析
当前Ash框架在处理排序时存在以下问题:
- 当全局准备(preparation)中定义了排序条件,而API请求中也指定了排序参数时,两者会被简单地拼接在一起
- 在PostgreSQL中,这可能导致返回与请求相反的排序结果
- 在SQLite中,可能导致重复列错误并返回500状态码
解决方案
核心思路
引入default_sort概念,提供一种机制来定义默认排序规则,同时允许这些规则在必要时被覆盖。这可以通过以下几种方式实现:
- 在准备(preparation)层级添加
default_sort选项 - 在JSON API路由配置中添加
default_sort选项 - 实现智能合并策略,确保当显式指定排序时,默认排序可以被忽略或合理合并
技术实现方案
-
新增
Ash.Query.default_sort/2函数:- 该函数仅在当前查询没有非空排序条件时应用指定的排序
- 否则保持现有排序不变
-
扩展
Ash.Query.build/2支持:- 允许在准备阶段使用
build(default_sort: [...])语法 - 使默认排序配置更加简洁直观
- 允许在准备阶段使用
-
关系(Relationship)默认排序支持:
- 在关系DSL中添加
default_sort选项 - 在构建关系查询时自动应用默认排序
- 实现逻辑:
Ash.Query.sort(relationship.sort) |> Ash.Query.default_sort(relationship.default_sort)
- 在关系DSL中添加
临时解决方案
对于急需解决此问题的开发者,可以通过自定义准备(preparation)实现类似功能:
defmodule MyApp.Preparations.SortDescByOverridableAttribute do
use Ash.Resource.Preparation
@impl true
def init(opts) do
if is_atom(opts[:attribute]), do: {:ok, opts}, else: {:error, "attribute must be an atom!"}
end
@impl true
def prepare(query, %{attribute: attribute}, _context) do
if Keyword.has_key?(query.sort, attribute), do: query, else: Ash.Query.sort(query, [{attribute, :desc}])
end
end
然后在资源中配置:
preparations do
prepare {SortDescByOverridableAttribute, attribute: :inserted_at}
end
技术价值
- 更合理的默认行为:默认排序只在没有显式排序时生效,符合开发者直觉
- 更好的兼容性:避免了不同来源排序条件冲突导致的数据库问题
- 更灵活的配置:支持在多个层级定义默认排序,满足不同场景需求
- 更清晰的代码:通过专用函数和DSL选项,使排序逻辑更加明确
最佳实践建议
- 对于需要强保证排序顺序的资源,优先使用
default_sort而非普通sort - 在API设计中,考虑通过文档明确说明哪些字段支持排序覆盖
- 对于复杂排序需求,可以组合使用默认排序和自定义准备(preparation)
- 在测试中应包含默认排序被覆盖的场景,确保行为符合预期
总结
Ash框架的排序机制优化方案通过引入default_sort概念,解决了多来源排序条件冲突的问题,同时提供了更灵活、更符合直觉的排序配置方式。这一改进不仅提升了框架的稳定性,也为开发者提供了更强大的数据查询控制能力。
登录后查看全文
热门项目推荐
相关项目推荐
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-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
项目优选
收起
deepin linux kernel
C
28
15
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
660
4.26 K
🎉 (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
1.54 K
894
Ascend Extension for PyTorch
Python
505
610
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
392
289
暂无简介
Dart
909
219
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
69
21
昇腾LLM分布式训练框架
Python
142
168
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++
940
867
🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
1.33 K
108