Drizzle ORM 中 snake_case 命名风格的配置问题解析
在使用 Drizzle ORM 进行数据库操作时,开发者经常会遇到命名风格不一致的问题。本文将深入分析 Drizzle ORM 和 Drizzle Kit 中 snake_case 命名风格的配置方式,帮助开发者避免常见的配置陷阱。
问题背景
Drizzle ORM 提供了灵活的命名风格配置选项,允许开发者在数据库列名和表名中使用不同的命名约定。然而,很多开发者在使用过程中发现,即使他们在 Drizzle 客户端配置了 casing: 'snake_case',生成的数据库列名仍然保持 camelCase 风格。
核心问题分析
这个问题实际上源于 Drizzle ORM 和 Drizzle Kit 是两个独立的工具,它们各自有自己的配置系统:
- Drizzle ORM 配置:控制运行时查询时的命名转换行为
- Drizzle Kit 配置:控制数据库迁移和代码生成时的命名风格
正确配置方式
要完全实现 snake_case 命名风格,需要在两个地方进行配置:
1. Drizzle 客户端配置
import { drizzle } from 'drizzle-orm/libsql';
const db = drizzle('file:local.sqlite', {
casing: 'snake_case', // 控制查询时的命名转换
schema: { usersTable }
});
2. Drizzle Kit 配置
import { defineConfig } from 'drizzle-kit';
export default defineConfig({
out: './drizzle',
schema: './schema.ts',
dialect: 'sqlite',
casing: 'snake_case', // 控制生成时的命名风格
dbCredentials: {
url: './local.sqlite',
},
});
常见误区
-
仅配置客户端:只配置 Drizzle 客户端的
casing选项会导致生成时的列名仍然是 camelCase,而查询时却尝试使用 snake_case,造成列名不匹配错误。 -
配置位置混淆:有些开发者误以为 Drizzle Kit 的配置会继承 Drizzle ORM 的配置,实际上它们是独立的。
最佳实践
-
保持命名风格一致性:在项目初期就确定好命名风格,并在所有配置文件中统一使用。
-
测试验证:在配置完成后,应该通过实际生成和查询操作验证命名风格是否符合预期。
-
文档记录:在团队项目中,应该将命名风格配置写入项目文档,避免团队成员使用不一致的配置。
总结
Drizzle ORM 的命名风格配置需要同时在 ORM 客户端和 Kit 工具中进行设置才能完全生效。理解这两个配置的独立性和各自的作用范围,是避免命名风格问题的关键。通过本文的解析,希望开发者能够更好地掌握 Drizzle ORM 的命名风格配置方法,提高开发效率和代码质量。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00