Remult项目中MongoDB ObjectId数组的存储方案
背景介绍
在Remult框架与MongoDB集成的开发过程中,开发者经常需要处理ObjectId类型的数据。MongoDB使用ObjectId作为文档的唯一标识符,而在Remult应用中,我们通常需要将这些标识符以字符串形式处理。当涉及到ObjectId数组时,情况会变得更加复杂。
问题分析
在Remult实体中定义关联关系时,我们可能会遇到需要存储多个关联ID的情况。例如,一个任务可能有多个子任务,这时就需要存储子任务ID的数组。在MongoDB中,这些ID应该以ObjectId数组的形式存储,但在Remult应用中,我们希望以字符串数组的形式处理这些数据。
解决方案
Remult提供了灵活的方式来处理这种类型转换需求。我们可以通过自定义valueConverter来实现ObjectId数组与字符串数组之间的双向转换。
实体定义示例
@Entity("tasks")
export class Task {
@Fields.string({
valueConverter: {
fieldTypeInDb: "dbid"
},
dbName: "_id"
})
id = "";
@Fields.string()
title = "";
@Fields.string({
allowNull: true,
valueConverter: {
toDb: (val) => val ? new ObjectId(val) : val === null ? null : undefined,
fromDb: (val) => val ? val.toHexString() : val === null ? null : undefined
}
})
parentId: string | null = null;
@Fields.json<Task, string[]>({
allowNull: true,
valueConverter: {
toDb: (val) => val?.map((val) => new ObjectId(val)) || null,
fromDb: (val) => val?.map((val: ObjectId) => val.toHexString()) || null
}
})
childrenIds: string[] | null = null;
}
关键点解析
-
主键处理:使用
fieldTypeInDb: "dbid"来标识这是一个MongoDB的ObjectId字段 -
单个关联ID处理:通过自定义
toDb和fromDb方法实现字符串与ObjectId的转换 -
数组处理:对于ID数组,使用
Fields.json装饰器配合自定义转换器,通过数组的map方法批量处理每个元素 -
空值处理:特别注意处理null和undefined的情况,保持数据一致性
前端注意事项
由于MongoDB的ObjectId类型只在服务端使用,我们需要确保前端代码不会加载mongodb包。可以通过构建工具的配置来实现这一点:
// 在vite.config.ts中
export default defineConfig({
plugins: [
stripper({
decorators: ["BackendMethod"],
packages: ["mongodb"]
})
]
});
最佳实践
-
始终为可能为空的字段设置
allowNull: true -
在转换器中明确处理null和undefined的情况
-
对于数组字段,使用
Fields.json确保类型安全 -
在前端构建配置中排除不必要的MongoDB依赖
通过这种方案,我们可以在Remult应用中优雅地处理MongoDB的ObjectId数组,同时保持前后端数据类型的清晰和一致。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
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
HunyuanVideo-1.5暂无简介00
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
Spark-Formalizer-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
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