JeecgBoot数据权限机制深度解析与优化实践
2025-05-02 23:59:19作者:董灵辛Dennis
数据权限机制概述
JeecgBoot作为一款优秀的企业级开发框架,其数据权限机制是系统安全性的重要保障。数据权限的核心作用是控制不同用户能够访问的数据范围,确保每个用户只能看到自己权限范围内的数据。在业务系统中,这通常表现为部门隔离、数据隔离等场景。
原数据权限实现分析
框架原有的数据权限实现采用了一种较为简单的逻辑处理方式:
- 多角色处理:当用户拥有多个角色时,系统会将这些角色的数据权限条件用AND逻辑连接
- 条件拼接:所有数据权限条件与用户查询条件同样采用AND连接
这种实现方式存在一个明显的缺陷:当用户拥有多个角色时,最终的数据权限范围实际上是各个角色权限的交集,这会导致用户只能看到权限最小的角色所允许的数据,而非理论上应该看到的各角色权限的并集。
问题场景还原
假设一个用户同时拥有以下两个角色:
- 角色A:可以查看部门ID为100的数据
- 角色B:可以查看创建人为当前用户的数据
按照原有实现,查询条件会变成:
(部门ID = 100) AND (创建人 = 当前用户)
而实际上更合理的逻辑应该是:
(部门ID = 100) OR (创建人 = 当前用户)
优化方案设计
针对上述问题,我们设计了以下优化方案:
- 分层处理:将数据权限条件与用户查询条件分离处理
- 逻辑分组:
- 同一角色的多个数据权限条件保持AND连接
- 不同角色的数据权限组之间采用OR连接
- 条件封装:将整个数据权限条件组用括号包裹,确保逻辑清晰
优化后的SQL条件结构示例:
(用户查询条件1 AND 用户查询条件2)
AND
(
(角色1条件1 AND 角色1条件2)
OR
(角色2条件1 AND 角色2条件2)
)
技术实现细节
在installMplus方法中,我们进行了以下关键修改:
- 角色遍历处理:获取用户所有角色,逐个处理每个角色的数据权限
- 条件构建:
- 为每个角色构建独立的AND条件组
- 使用StringBuilder高效拼接SQL片段
- 最终整合:将所有角色的条件组用OR连接,并整体用括号包裹
- 安全处理:确保生成的SQL语句不存在注入风险
核心代码逻辑:
// 遍历用户所有角色
for (String roleId : roleIds) {
// 获取角色数据权限规则
List<SysPermissionDataRuleModel> list = commonAPI.queryDataRule(ruleIdList);
// 构建当前角色的AND条件组
StringBuilder roleCondition = new StringBuilder();
for (SysPermissionDataRuleModel dataRule : list) {
// 拼接各个规则条件
if (roleCondition.length() > 0) {
roleCondition.append(" AND ");
}
// 规则条件处理逻辑...
}
// 将角色条件组加入总条件
if (roleCondition.length() > 0) {
if (roleConditions.length() > 0) {
roleConditions.append(" OR ");
}
roleConditions.append("(").append(roleCondition).append(")");
}
}
// 最终将数据权限条件加入查询
if (roleConditions.length() > 0) {
queryWrapper.and(i -> i.apply(roleConditions.toString()));
}
优化效果验证
优化后的数据权限机制具有以下优势:
- 逻辑正确性:真实反映了"用户拥有任一角色权限即可访问对应数据"的业务需求
- 查询灵活性:不会因为用户拥有多个角色而意外缩小数据范围
- 性能保障:通过合理的条件拼接,确保生成的SQL执行效率
- 维护性:清晰的逻辑分层使代码更易于理解和后续维护
最佳实践建议
在实际项目中使用JeecgBoot数据权限时,建议:
- 角色设计:合理规划角色和数据权限的分配,避免过度细分
- 测试验证:对多角色用户的数据访问进行充分测试
- 性能监控:对复杂权限组合的查询进行性能监控
- 文档记录:详细记录系统中的数据权限规则,便于后续维护
通过本次优化,JeecgBoot的数据权限机制更加符合实际业务场景需求,为用户提供了更灵活、更准确的数据访问控制能力。
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-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00
项目优选
收起
deepin linux kernel
C
27
11
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
569
3.84 K
Ascend Extension for PyTorch
Python
379
453
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++
893
676
暂无简介
Dart
802
199
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
350
203
昇腾LLM分布式训练框架
Python
118
147
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
12
1
🔥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
68
20
🎉 (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
1.37 K
781