Querydsl 技术文档
1. 安装指南
1.1 使用 Maven 安装
Querydsl 可以通过 Maven 进行安装。首先,在你的 pom.xml 文件中添加 Querydsl 的依赖项。以下是一个示例:
<dependency>
<groupId>com.querydsl</groupId>
<artifactId>querydsl-core</artifactId>
<version>5.0.0</version>
</dependency>
根据你使用的后端(如 JPA、SQL、MongoDB 等),你还需要添加相应的依赖项。例如,如果你使用 JPA,可以添加以下依赖:
<dependency>
<groupId>com.querydsl</groupId>
<artifactId>querydsl-jpa</artifactId>
<version>5.0.0</version>
</dependency>
1.2 手动构建
如果你需要手动构建 Querydsl,可以使用以下命令:
mvn -Pquickbuild,{projectname} clean install
其中 {projectname} 是 Maven 配置文件的名称,例如 jpa、sql、mongodb 等。如果你想构建所有模块,可以使用 all。
1.3 Docker Compose 设置
Querydsl 提供了 Docker Compose 设置,用于运行测试。你需要先安装 Docker 和 docker-compose。然后,使用以下命令启动数据库容器:
docker-compose up -d
这将启动 Oracle、PostgreSQL、MySQL 和 Cubrid 数据库,并将它们的默认端口映射到主机。
2. 项目的使用说明
2.1 查询 JPA
Querydsl 支持通过类型安全的方式查询 JPA。你可以参考 Querying JPA 教程来开始使用。
2.2 查询 SQL
Querydsl 也支持查询 SQL 数据库。你可以参考 Querying SQL 教程来了解如何使用。
2.3 查询 MongoDB
如果你使用 MongoDB,可以参考 Querying Mongodb 教程。
2.4 查询 Lucene
Querydsl 还支持查询 Lucene 索引。你可以参考 Querying Lucene 教程。
2.5 查询集合
Querydsl 可以查询 Java 集合。你可以参考 Querying Collections 教程。
2.6 查询 JDO
如果你使用 JDO,可以参考 Querying JDO 教程。
3. 项目 API 使用文档
Querydsl 提供了一个流畅的 API,用于构建类型安全的查询。以下是一些常用的 API 示例:
3.1 查询 JPA
QCustomer customer = QCustomer.customer;
JPAQuery<?> query = new JPAQuery<Void>(entityManager);
Customer bob = query.select(customer)
.from(customer)
.where(customer.firstName.eq("Bob"))
.fetchOne();
3.2 查询 SQL
QEmployee employee = QEmployee.employee;
SQLQuery<?> query = new SQLQuery<Void>(connection, SQLTemplates.DEFAULT);
List<Employee> employees = query.select(employee)
.from(employee)
.where(employee.department.eq("IT"))
.fetch();
3.3 查询 MongoDB
QUser user = QUser.user;
MongoQuery<?> query = new MongoQuery<Void>(mongoClient, DBCollection.class);
List<User> users = query.select(user)
.from(user)
.where(user.age.gt(20))
.fetch();
4. 项目安装方式
Querydsl 可以通过 Maven 或手动构建进行安装。Maven 是最常用的安装方式,具体步骤请参考 安装指南。
如果你需要手动构建,可以使用 Maven 命令进行构建,具体步骤请参考 手动构建。
此外,Querydsl 还提供了 Docker Compose 设置,用于运行测试。你可以通过 Docker 启动多个数据库容器,具体步骤请参考 Docker Compose 设置。
通过以上文档,你应该能够顺利安装和使用 Querydsl 项目。如果有任何问题,可以参考项目的 讨论区 或在 StackOverflow 上提问。
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
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