Blog.Core项目SQL条件拼接Bug分析与修复
在Blog.Core项目中,开发人员发现当切换到SQL Server数据库时,系统生成的多条件SQL查询语句存在语法错误。本文将详细分析该问题的原因,并介绍解决方案。
问题现象
当使用SQL Server数据库时,系统生成的查询语句如下:
SELECT COUNT(1) FROM (SELECT [Id],[Sort],[DocketType],[DocketKey],[HeadCode],[ZeroCycle],[DocketDateCodeType],[DocketNumCodeLen],[TailCode],[UpdateUserId],[UpdateTime],[LastDocketDate],[LastNumCode] FROM [Sys_DocketCodeRule] WHERE ((( 1 = 1 ) & ([HeadCode] like '%'+@MethodConst1+'%') ) & ( [DocketType] = @DocketType2 ))) CountTable
这段SQL语句中的条件连接使用了&运算符,这在SQL Server中会导致语法错误。
问题根源
经过分析,问题出在Blog.Core.Common\Extensions\Extention.Expression.cs文件中的条件拼接逻辑。原代码使用了Expression.And方法来连接多个条件表达式,这会导致生成的SQL语句中使用&运算符。
解决方案
正确的做法是使用Expression.AndAlso方法来替代Expression.And。两者的主要区别在于:
Expression.And生成的是按位与运算符&Expression.AndAlso生成的是逻辑与运算符AND
在SQL语句中,条件连接应该使用逻辑运算符AND而不是按位运算符&。
修复方法
修改Extention.Expression.cs文件中的条件拼接逻辑,将Expression.And替换为Expression.AndAlso。这样生成的SQL语句就会使用正确的AND运算符连接条件。
技术背景
在.NET的表达式树中,Expression.And和Expression.AndAlso都表示逻辑"与"操作,但有以下区别:
-
Expression.And:- 执行按位与操作
- 总是计算左右两边的表达式
- 生成的SQL中使用
&运算符
-
Expression.AndAlso:- 执行逻辑与操作
- 支持短路计算(如果左边为false,右边不计算)
- 生成的SQL中使用
AND运算符
在数据库查询场景中,我们应该始终使用Expression.AndAlso,因为它:
- 生成的SQL语法正确
- 更符合SQL标准
- 与大多数ORM框架的行为一致
总结
这个Bug展示了在表达式树转换为SQL语句时需要注意的细节。开发者在编写通用数据访问层时,必须考虑不同数据库的SQL语法差异。通过将Expression.And改为Expression.AndAlso,我们确保了生成的SQL语句在所有主流数据库中都正确无误。
这个修复不仅解决了SQL Server下的语法错误,也提高了代码的健壮性和可移植性,是Blog.Core项目质量提升的一个典型例子。
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