Drizzle ORM 中 nullable 字段在插入时的类型问题解析
问题背景
在使用 Drizzle ORM 时,开发者经常会遇到一个类型系统问题:当表结构中包含可为空(nullable)的字段时,在创建插入操作时会遇到 TypeScript 的类型错误。这个问题在 drizzle-orm 0.38.2 版本中尤为明显,表现为 TypeScript 报错"Object literal may only specify known properties",即对象字面量只能包含已知属性。
问题表现
在定义表结构时,如果某些字段被设置为可为空(如使用 .default(null) 或不加 .notNull()),在后续的插入操作中,TypeScript 会错误地认为这些字段不应该出现在插入值中。例如:
const users = pgTable("users", {
id: integer("id").primaryKey().notNull().unique(),
firstName: varchar("first_name", { length: 255 }).default(null),
lastName: varchar("last_name", { length: 255 }).default(null),
username: varchar("username", { length: 255 }).notNull()
});
当尝试插入数据时:
await db.insert(users).values({
id: 1,
username: "test",
firstName: "John", // 这里会报类型错误
lastName: "Doe" // 这里会报类型错误
});
TypeScript 会提示 firstName 和 lastName 不是有效的属性。
技术原因
这个问题的根本原因在于 Drizzle ORM 的类型推断系统($inferInsert)在处理可为空字段时,没有正确地将这些字段标记为可选属性。在 TypeScript 的类型系统中,一个字段如果是可选的,应该使用 ? 标记,如 { prop?: string }。
在 Drizzle ORM 0.38.2 版本中,类型系统错误地将所有字段(无论是否为 nullable)都视为必须属性,导致在实际插入操作时,TypeScript 认为开发者试图添加不存在的属性。
解决方案
这个问题在 drizzle-orm 0.38.3 和 drizzle-zod 0.6.1 版本中已得到修复。升级到这些版本后,类型系统会正确识别可为空字段,并将其标记为可选属性。
对于使用 createInsertSchema 的情况,解决方案类似:
export const createAuthSchema = createInsertSchema(authTable, {
data: z.record(z.unknown()) // 显式指定复杂类型的验证规则
}).omit({
createdAt: true,
updatedAt: true
});
最佳实践
-
保持依赖更新:始终使用最新版本的 Drizzle ORM 和相关库,以避免已知的类型问题。
-
显式类型定义:对于复杂字段(如 JSON 类型),建议显式定义其 Zod 验证规则。
-
类型检查:在开发过程中,定期检查生成的类型是否符合预期,特别是在表结构变更后。
-
测试覆盖:为数据库操作编写类型测试,确保类型系统按预期工作。
总结
Drizzle ORM 的类型系统在大多数情况下都能提供良好的类型安全,但在处理可为空字段时曾经存在缺陷。通过理解问题的本质和解决方案,开发者可以更高效地使用这个 ORM 工具,同时享受 TypeScript 带来的类型安全优势。记住,保持库的更新是避免这类问题的最简单方法。
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