JEECG-Boot 中实现表主键自增的增强方案
2025-05-03 14:03:55作者:庞眉杨Will
背景介绍
在JEECG-Boot框架中,默认情况下基于online表单开发的表主键ID会被自动设置为UUID字符串类型。这种设计虽然保证了全局唯一性,但在某些业务场景下并不理想,特别是当业务需要更直观、有序的数字ID时。
问题分析
UUID作为主键虽然解决了分布式系统中的唯一性问题,但也存在一些不足:
- 可读性差:UUID是一串无意义的字符,不利于人工识别和记忆
- 索引效率低:字符串类型的UUID比数字类型占用更多存储空间,索引效率较低
- 业务需求:某些业务场景需要连续、有序的ID编号
解决方案
通过实现CgformEnhanceJavaInter接口,我们可以创建一个Java增强类,在数据插入前动态设置自增ID。以下是实现步骤:
1. 创建增强类
@Component("CgformEnhanceInsertSetId")
public class CgformEnhanceInsertSetId implements CgformEnhanceJavaInter {
// 定义需要自增ID的表名映射
private static final Map<String, Integer> predefinedMap;
static {
predefinedMap = new HashMap<>();
predefinedMap.put("库名.表名", 1); // 对应online表单开发中设置的"表名"
}
@Autowired
private JdbcTemplate jdbcTemplate;
@Override
public void execute(String tableName, JSONObject json) throws BusinessException {
if(predefinedMap.containsKey(tableName)) {
// 查询当前表最大ID
String sql = "SELECT COALESCE(MAX(id), 0) FROM " + tableName;
Long maxId = jdbcTemplate.queryForObject(sql, Long.class);
if (maxId != null) {
json.put("id", ++maxId); // 设置自增ID
}
}
}
}
2. 实现原理
- 表名映射:通过静态Map定义哪些表需要使用自增ID
- 查询最大ID:使用JdbcTemplate查询当前表的最大ID值
- 设置新ID:将最大ID加1后设置为新记录的ID
3. 注意事项
- 并发问题:此方案在高并发场景下可能存在ID冲突风险
- 事务隔离:确保在事务中执行,避免脏读
- 表设计:数据库表的主键字段应为数字类型(如BIGINT)
扩展方案
对于高并发系统,可以考虑以下改进:
- 使用数据库序列:在支持序列的数据库中使用序列生成ID
- 分布式ID生成器:集成雪花算法等分布式ID生成方案
- 双重校验:在设置ID后再次查询确认ID未被占用
总结
通过实现JEECG-Boot的Java增强接口,我们可以灵活地覆盖框架默认的主键生成策略,满足不同业务场景的需求。这种方案既保留了框架的便利性,又提供了足够的灵活性来处理特殊业务需求。开发者可以根据实际业务场景选择最适合的主键生成策略。
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
最新内容推荐
TextAnimator for Unity:打造专业级文字动画效果的终极解决方案 Python开发者的macOS终极指南:VSCode安装配置全攻略 MQTT客户端软件源代码:物联网开发的强大工具与最佳实践指南 Windows Server 2016 .NET Framework 3.5 SXS文件下载与安装完整指南 中兴e读zedx.zed文档阅读器V4.11轻量版:专业通信设备文档阅读解决方案 PANTONE潘通AI色板库:设计师必备的色彩管理利器 Python案例资源下载 - 从入门到精通的完整项目代码合集 TortoiseSVN 1.14.5.29465 中文版:高效版本控制的终极解决方案 CrystalIndex资源文件管理系统:高效索引与文件管理的最佳实践指南 QT连接阿里云MySQL数据库完整指南:从环境配置到问题解决
项目优选
收起
deepin linux kernel
C
24
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
411
3.16 K
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++
664
323
Ascend Extension for PyTorch
Python
227
255
暂无简介
Dart
676
160
React Native鸿蒙化仓库
JavaScript
265
326
🎉 (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
1.21 K
659
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
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
492
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
342
146