Marten项目中的投影模式与Schema生成问题解析
2025-06-26 11:18:21作者:钟日瑜
概述
Marten作为一个.NET平台的文档数据库和事件存储库,提供了强大的投影功能来将事件流转换为可查询的文档视图。然而,在使用过程中,开发者可能会遇到一些关于投影注册API行为不一致的问题,特别是在Schema生成方面。
投影类型与Schema生成
Marten支持多种投影生命周期,主要包括Live(实时)和持久化两种模式。这两种模式在Schema生成方面存在一些需要注意的行为差异。
Live投影的两种注册方式
- 使用Add方法注册Live投影
options.Projections.Add(new SingleStreamProjection<MyAggegate>(), ProjectionLifecycle.Live);
这种方式会为聚合创建对应的数据库表,尽管Live投影理论上不需要持久化存储。
- 使用LiveStreamAggregation方法
options.Projections.LiveStreamAggregation<MyAggegate>();
这种方式不会创建表结构,是更符合Live投影特性的实现。
原因分析
这种不一致性源于内部实现机制。正确的Live投影实现应该设置SkipSchemaGeneration = true来跳过表结构创建,而第一种方式没有进行这一设置。
子类投影的特殊情况
当使用持久化投影与继承结构结合时,会出现另一个Schema生成问题:
options.Schema.For<BaseAggregate>()
.AddSubClassWithSnapshotProjection<BaseAggregate, Child1Aggregate>(options, SnapshotLifecycle.Inline)
.AddSubClassWithSnapshotProjection<BaseAggregate, Child2Aggregate>(options, SnapshotLifecycle.Inline);
在这种情况下,虽然所有子类都存储在父类表中,但Marten仍会尝试为子类创建独立的持久化表,这是不必要的。
技术背景与解决方案
SkipSchemaGeneration机制
SkipSchemaGeneration是一个内部标志,用于控制是否应为特定类型生成数据库Schema。当设置为true时:
- 完全跳过该类型的Schema生成
- 在应用数据库补丁时也会忽略相关变更
这意味着如果从持久化投影迁移到Live投影,Marten不会自动删除原有的持久化表,需要手动处理。
最佳实践建议
- 对于纯Live投影,优先使用
LiveStreamAggregation方法 - 对于子类投影场景,目前需要谨慎评估Schema生成需求
- 进行投影模式变更时,准备好手动处理遗留的数据库对象
未来改进方向
Marten团队正在改进对Live聚合的支持,未来版本可能会提供更一致的API行为。对于子类投影的特殊情况,社区贡献的解决方案可能会被纳入正式版本。
理解这些内部机制有助于开发者更有效地使用Marten的投影功能,避免不必要的数据库对象产生,并制定合适的数据库迁移策略。
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
最新内容推荐
MQTT 3.1.1协议中文版文档:物联网开发者的必备技术指南 Solidcam后处理文件下载与使用完全指南:提升CNC编程效率的必备资源 Python案例资源下载 - 从入门到精通的完整项目代码合集 TortoiseSVN 1.14.5.29465 中文版:高效版本控制的终极解决方案 CrystalIndex资源文件管理系统:高效索引与文件管理的最佳实践指南 QT连接阿里云MySQL数据库完整指南:从环境配置到问题解决 Windows Server 2016 .NET Framework 3.5 SXS文件下载与安装完整指南 Python开发者的macOS终极指南:VSCode安装配置全攻略 瀚高迁移工具migration-4.1.4:企业级数据库迁移的智能解决方案 STM32到GD32项目移植完全指南:从兼容性到实战技巧
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