解决fullstackhero/dotnet-starter-kit中的软删除功能显示问题
在fullstackhero/dotnet-starter-kit项目中,开发者报告了一个关于软删除功能的问题:虽然数据在数据库中被正确标记为软删除状态,但这些记录仍然会显示在Blazor用户界面中。本文将深入分析这个问题及其解决方案。
问题分析
该项目的软删除机制是通过在实体类中添加"DeletedOn"和"DeletedBy"字段来实现的。当用户执行删除操作时,系统不会真正从数据库中移除记录,而是设置这些字段的值来标记记录为已删除状态。然而,前端界面没有正确过滤这些已标记为删除的记录,导致它们仍然可见。
解决方案
要解决这个问题,我们需要在数据查询时添加过滤条件,排除已被软删除的记录。具体来说,在BrandRepository.cs文件中,我们需要修改GetAllAsync方法,添加对软删除记录的过滤:
public async Task<List<Brand>> GetAllAsync()
{
return await _dbContext.Brands
.Where(x => x.DeletedOn == null) // 添加这行过滤条件
.ToListAsync();
}
同样的修改也需要应用到其他实体的Repository类中,如ProductRepository和TodoRepository,以确保所有软删除的记录都不会显示在用户界面中。
项目启动时的浏览器窗口问题
另一个被提及的问题是项目启动时自动打开的浏览器窗口使用了随机端口,导致无法正常登录。这实际上是Visual Studio的默认行为,可以通过修改launchSettings.json文件来控制:
{
"profiles": {
"YourProfileName": {
"commandName": "Project",
"launchBrowser": false, // 设置为false禁用自动打开浏览器
"applicationUrl": "https://localhost:7100;http://localhost:5100",
"environmentVariables": {
"ASPNETCORE_ENVIRONMENT": "Development"
}
}
}
}
关于软删除实现的优化建议
虽然当前的软删除实现方式可以工作,但我们可以进一步优化。建议创建一个基类AuditableEntity,其中包含软删除相关的字段,然后让需要支持软删除的实体继承这个基类。这样既保持了代码的整洁性,又方便统一管理软删除逻辑:
public abstract class AuditableEntity : IAuditableEntity
{
public DateTime? DeletedOn { get; set; }
public string? DeletedBy { get; set; }
// 其他审计字段...
}
public class Brand : AuditableEntity
{
// Brand特有的属性...
}
这种实现方式更加灵活,只有需要软删除功能的实体才继承AuditableEntity,避免了不必要的字段污染。
总结
通过添加查询过滤条件和优化软删除实现方式,我们解决了fullstackhero/dotnet-starter-kit项目中软删除记录仍然显示的问题。同时,我们也了解了如何控制项目启动时的浏览器行为。这些修改不仅解决了当前的问题,还为项目的可维护性和扩展性提供了更好的基础。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00