Marten项目中的事件关联与投影构建实践
2025-06-26 05:32:16作者:裴锟轩Denise
在事件溯源架构中,事件关联是构建复杂业务视图的关键技术。本文将以Marten这个.NET平台上的事件存储库为例,深入探讨如何实现跨事件的关联查询与投影构建。
事件关联的业务场景
考虑一个典型的事件流场景:
- 系统首先发出
Event1事件,包含基础信息 - 随后发出
Event2事件,其中包含对Event1的引用
我们需要构建一个聚合视图,将这两个事件的数据关联起来形成完整的业务对象。
Marten中的投影实现方案
方案一:内联投影(Inline Projection)
Marten支持在事件提交时自动更新投影。对于这种关联场景,可以这样定义投影类:
public class ProjectionExample
{
public string Event2Code { get; set; }
public string Event2Name { get; set; }
public Event1Detail Event1Details { get; set; }
public class Event1Detail
{
public string Event1Code { get; set; }
public string Event1Name { get; set; }
}
public void Apply(Event1 e1, IDocumentSession session)
{
// 存储Event1供后续关联使用
session.Store(new Event1Detail
{
Event1Code = e1.Code,
Event1Name = e1.Name
});
}
public void Apply(Event2 e2, IDocumentSession session)
{
// 查询关联的Event1
var event1Detail = session.Load<Event1Detail>(e2.EventExample1Code);
this.Event2Code = e2.Code;
this.Event2Name = e2.Name;
this.Event1Details = event1Detail;
}
}
方案二:异步投影(Async Projection)
对于性能敏感场景,可以使用异步投影:
public class ProjectionExampleProjection : EventProjection
{
public ProjectionExampleProjection()
{
// 定义投影名称和生命周期
ProjectionName = "ProjectionExample";
Lifecycle = ProjectionLifecycle.Async;
}
public ProjectionExample Create(Event2 e2, IQuerySession session)
{
var event1 = session.Query<Event1>()
.FirstOrDefault(x => x.Code == e2.EventExample1Code);
return new ProjectionExample
{
Event2Code = e2.Code,
Event2Name = e2.Name,
Event1Details = event1 != null ? new Event1Detail
{
Event1Code = event1.Code,
Event1Name = event1.Name
} : null
};
}
}
关键技术考量
-
一致性保证:内联投影提供强一致性,而异步投影提供最终一致性
-
查询优化:对于高频查询场景,建议:
- 为关联字段建立索引
- 考虑使用Include()预加载关联数据
-
错误处理:处理可能的事件顺序问题,建议:
- 实现空值检查
- 考虑使用补偿机制处理延迟到达的事件
高级应用模式
对于更复杂的关联场景,可以结合Marten的以下特性:
- 多文档关联:使用
Include()实现单次查询获取多个关联文档 - 版本控制:在投影中添加版本号处理事件重放
- 快照策略:为高频访问的投影配置快照以减少重建开销
总结
Marten提供了灵活的事件投影机制,开发者可以根据业务需求选择不同的关联策略。关键是根据业务场景的一致性要求、性能需求和复杂度,选择最适合的投影实现方式。本文展示的方案可以作为复杂事件关联场景的基础模板进行扩展。
登录后查看全文
热门项目推荐
相关项目推荐
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
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
223
246
暂无简介
Dart
672
157
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++
663
313
React Native鸿蒙化仓库
JavaScript
262
324
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
🎉 (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
1.2 K
655
🔥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
64
19
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
218
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
330
137