MyBatis-Plus中重写selectPage方法的最佳实践
MyBatis-Plus作为MyBatis的增强工具,提供了许多便捷的CRUD操作方法,其中分页查询selectPage()是开发中常用的功能之一。本文将深入探讨如何在MyBatis-Plus中正确重写selectPage方法,以及相关的技术细节和注意事项。
默认实现分析
MyBatis-Plus的BaseMapper接口中,selectPage()方法默认实现如下:
default <E extends IPage<T>> E selectPage(E page, Wrapper<T> queryWrapper) {
return this.selectList(page, queryWrapper);
}
可以看到,默认实现实际上调用了selectList方法来完成分页查询。这种设计虽然简洁,但在某些特定场景下,开发者可能需要自定义分页查询逻辑。
重写方法的技术方案
方案一:通过XML重写selectList
由于selectPage默认调用selectList,最直接的方式是在XML映射文件中重写selectList方法:
<select id="selectList" resultType="com.example.entity.User">
SELECT * FROM user WHERE status = 1
</select>
这种方式的优点是简单直接,缺点是会影响到所有调用selectList的地方,缺乏针对性。
方案二:在Mapper接口中重写selectPage
更推荐的方式是在Mapper接口中直接重写selectPage方法。根据JDK版本不同,有两种实现方式:
JDK 8及以上版本:
@Override
@Select("SELECT * FROM user WHERE status = 1")
<P extends IPage<User>> P selectPage(P page, Wrapper<User> queryWrapper);
JDK 8以下版本:
@Override
default <P extends IPage<User>> P selectPage(P page, Wrapper<User> ew) {
return customSelectPage(page, ew);
}
@Select("SELECT * FROM user WHERE status = 1")
<P extends IPage<User>> P customSelectPage(P page, @Param("ew") Wrapper<User> wrapper);
关键注意事项
-
泛型参数匹配:重写时必须保持泛型参数一致,使用
<P extends IPage<T>> P作为返回类型,直接使用IPage或Page会导致编译错误。 -
参数命名一致:Wrapper参数名必须保持为"ew"(默认命名),否则会报参数找不到的错误。
-
注解使用:在接口方法上使用@Select注解可以直接编写SQL,避免额外的XML配置。
-
JDK版本兼容性:JDK 8及以上版本可以直接重写default方法,低版本需要额外定义接口方法。
实际应用场景
自定义selectPage方法在以下场景中特别有用:
- 需要添加固定查询条件(如多租户过滤)
- 需要优化特定表的分页查询性能
- 需要实现复杂的分页逻辑(如联表查询)
- 需要对分页结果进行特殊处理
总结
MyBatis-Plus提供了灵活的分页查询机制,通过正确理解其默认实现原理,开发者可以根据实际需求选择最适合的重写方式。在大多数情况下,直接在Mapper接口中重写selectPage方法是最简洁高效的做法,特别是对于使用JDK 8及以上版本的项目。对于低版本JDK项目,则需要采用间接重写的方式来实现相同功能。
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