FreeSql中弱类型CRUD操作Update时IgnoreColumns的使用注意事项
在使用FreeSql进行数据库操作时,开发者可能会遇到弱类型CRUD操作中Update方法忽略字段(IgnoreColumns)无效的情况。本文将深入分析这一问题,并给出正确的解决方案。
问题现象
当开发者尝试使用弱类型方式进行数据更新时,可能会编写类似以下代码:
var res = await DB.SqlServer.Update<object>()
.AsType(Type.GetType($"Models." + TableName))
.SetDto(ndata)
.WhereDynamic(type.GetProperty("Id").GetValue(ndata))
.IgnoreColumns(new[] { "Id" })
.ExecuteUpdatedAsync();
期望通过IgnoreColumns方法忽略ID字段的更新,但实际执行后发现该配置并未生效,ID字段仍然被包含在更新语句中。
原因分析
FreeSql提供了两种不同的更新模式,它们对字段忽略的处理方式有所不同:
-
SetSource + IgnoreColumns/UpdateColumns组合模式:这是FreeSql推荐的标准用法,在这种模式下,字段忽略功能可以正常工作。
-
SetDto模式:这是一种批量设置模式,其设计初衷是快速将DTO对象映射到数据库实体,因此它有自己的字段处理逻辑,不会与IgnoreColumns直接配合使用。
解决方案
要正确实现字段忽略功能,应采用FreeSql推荐的标准用法:
var res = await DB.SqlServer.Update<object>()
.AsType(Type.GetType($"Models." + TableName))
.SetSource(ndata) // 使用SetSource而非SetDto
.WhereDynamic(type.GetProperty("Id").GetValue(ndata))
.IgnoreColumns(new[] { "Id" }) // 现在IgnoreColumns会生效
.ExecuteUpdatedAsync();
最佳实践建议
-
明确操作模式:在使用FreeSql进行更新操作前,应先确定使用哪种模式。如果需要精细控制更新的字段,应优先考虑SetSource模式。
-
理解方法语义:
SetSource:设置要更新的数据源,适合需要精确控制更新字段的场景SetDto:快速批量设置DTO数据,适合简单场景IgnoreColumns:明确指定要忽略的字段UpdateColumns:明确指定要更新的字段
-
类型安全考虑:虽然FreeSql支持弱类型操作,但在可能的情况下,尽量使用强类型方式,可以获得更好的编译时检查和IDE支持。
-
性能考量:对于大批量更新操作,明确指定更新的字段(无论是通过IgnoreColumns还是UpdateColumns)可以减少不必要的数据传输,提高性能。
总结
FreeSql提供了灵活的CRUD操作方式,但不同方法间的配合使用需要遵循一定的规则。理解SetSource和SetDto两种模式的区别,是正确使用字段忽略功能的关键。在实际开发中,建议开发者根据具体需求选择合适的模式,并参考官方文档了解各方法的详细行为,以避免类似问题的发生。
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