Spring Data JPA 3.5.0-M1 新特性与改进深度解析
Spring Data JPA 作为 Spring 生态系统中关系型数据库访问的核心组件,其 3.5.0-M1 版本带来了多项令人期待的改进和新功能。这个版本不仅增强了现有功能,还引入了一些创新性的特性,为开发者提供了更强大、更灵活的 JPA 开发体验。
核心特性增强
1. Querydsl 支持全面升级
新版本显著改进了对 Querydsl 的支持,新增了通过 Predicate 返回 Slice 的能力,这使得基于 Querydsl 的分页查询更加灵活。同时,项目还提升了与 OpenFeign Querydsl 分支的兼容性,为微服务架构下的查询提供了更好的支持。
2. 查询参数处理优化
StringQuery 参数索引分配机制得到了重构,解决了在处理复杂查询时可能出现的参数绑定问题。这个改进特别有利于那些使用原生 SQL 或复杂 JPQL 查询的场景,能够更准确地处理参数位置。
3. 投影查询的革新
3.5.0-M1 版本为 Fluent API 添加了基于类的 DTO 投影支持,同时改进了构造函数表达式在字符串查询中的自动重写能力。这意味着开发者现在可以更自然地使用 DTO 作为查询返回类型,而无需手动编写复杂的投影逻辑。
性能与稳定性改进
1. 批量操作优化
解决了 deleteBy 操作可能导致的 OOM 问题,通过改进底层实现,显著提升了批量删除操作的性能。这对于需要处理大量数据的应用来说是一个重要的优化。
2. 查询解析增强
HQL 解析器现在能够更好地处理各种边界情况,包括支持 CEILING、LN 等数学函数,以及正确处理 INSERT...ON CONFLICT 等特定语法。这些改进使得 Spring Data JPA 能够支持更广泛的数据库特性。
3. 分页查询完善
修复了 FluentQuery 中分页参数处理的问题,确保 Pageable 中的排序信息能够被正确应用。同时改进了带有 CTE(Common Table Expression) 的查询在分页时的计数查询生成逻辑。
开发者体验提升
1. Specification API 精炼
对 Specification API 进行了重构,使其更加直观和易于使用。新的 API 设计考虑了类型安全和流畅性,让动态查询的构建更加优雅。
2. 空值处理策略改进
当使用 NEGATING_SIMPLE_PROPERTY 条件且参数为 null 时,现在会生成 IS NOT NULL 条件而非传统的 != null,这更符合 SQL 最佳实践,也能更好地利用数据库索引。
3. 事务处理修正
修复了 SimpleJpaRepository 中 delete 方法的事务配置问题,确保在执行删除操作时不会因为类级别的 readOnly 设置而导致 JDBC 连接只读异常。
兼容性与生态系统
新版本升级了底层依赖,包括 Hibernate 6.6.7.Final 和 Eclipselink 4.0.5,提供了更好的性能和稳定性。特别值得注意的是对记录(record)类型作为投影目标的支持改进,解决了早期版本中的 ConverterNotFoundException 问题。
总结
Spring Data JPA 3.5.0-M1 版本在查询能力、性能优化和开发者体验方面都做出了显著改进。这些变化不仅解决了社区反馈的诸多问题,还引入了一些前瞻性的特性,为构建高效、可维护的数据访问层提供了更多可能性。对于正在使用或考虑使用 Spring Data JPA 的团队来说,这个版本值得密切关注。
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