Drift项目中使用自定义数据类的最佳实践
2025-06-28 17:39:35作者:薛曦旖Francesca
前言
在使用Drift数据库时,开发者经常会遇到需要将生成的数据类共享给其他模块或前端开发者的情况。本文将深入探讨如何在Drift项目中优雅地处理自定义数据类,实现代码的复用和模块化。
核心问题分析
在Drift项目中,当定义一个继承自Table的类(如Users)时,Drift会自动生成对应的数据类(如User),包含toJson、fromJson、copyWith等方法。开发者希望将这些生成的数据类导出到特定目录,以便与其他开发者共享。
解决方案探索
方案一:使用UseRowClass注解
Drift提供了UseRowClass注解,允许开发者使用自定义的数据类而非自动生成的类。这是最推荐的解决方案:
- 首先手动创建自定义数据类
- 在Table类上添加@UseRowClass(User)注解
- Drift将使用你提供的类而非自动生成
// 自定义User类
class User {
final int? id;
final int userTypeId;
final String? role;
// 构造函数、copyWith、序列化方法等
// ...
}
// 在Table类中使用
@UseRowClass(User)
class Users extends Table {
// 表定义
}
方案二:实现Insertable接口
如果需要在插入和更新操作中使用自定义类,可以实现Insertable接口:
class User implements Insertable<User> {
// 类实现...
@override
Map<String, Expression> toColumns(bool nullToAbsent) {
return UsersCompanion(
id: Value(id),
userTypeId: Value(userTypeId),
role: Value(role),
).toColumns(nullToAbsent);
}
}
最佳实践建议
- 保持数据类独立:将自定义数据类放在单独的目录中,避免与数据库逻辑强耦合
- 最小化依赖:除非必要,否则不要实现Insertable接口,以减少对Drift包的依赖
- 一致性设计:确保自定义类的结构与数据库表结构完全匹配
- 文档说明:为共享的数据类添加详细文档,说明其用途和限制
性能考量
虽然实现Insertable接口会引入对Drift包的依赖,但由于Flutter的tree-shaking机制,最终打包时只会包含实际使用的代码,不会显著增加应用体积。
结论
通过使用UseRowClass注解和合理设计自定义数据类,开发者可以灵活地在Drift项目中实现数据类的共享和复用。这种方法既保持了代码的整洁性,又满足了模块化开发的需求,是处理此类场景的最佳实践。
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