Kysely 中使用 PostgreSQL 数组类型的正确姿势
在使用 Kysely 这个类型安全的 SQL 查询构建器与 PostgreSQL 数据库交互时,开发者可能会遇到一些关于数组类型的特殊问题。本文将深入探讨如何正确处理 PostgreSQL 数组类型,特别是当我们需要查询包含特定元素的数组列时。
数组类型在 PostgreSQL 中的表示
PostgreSQL 中的数组类型有其特殊的语法要求。与许多编程语言不同,PostgreSQL 使用花括号 {} 来表示数组字面量,而不是方括号 []。这是导致上述错误的主要原因。
正确的数组查询方式
当我们需要查询 in_episodes 数组列包含特定元素(如数字 1)的记录时,正确的 Kysely 查询应该是:
const videosOfEpisodeOne = await db
.selectFrom('videos')
.where('in_episodes', '@>', sql`array[1]`)
.selectAll()
.execute();
关键点在于使用 sql 模板标签和 array[] 语法来构造 PostgreSQL 能够识别的数组表达式。
表类型定义的最佳实践
在定义包含数组列的表类型时,我们应该明确指定数组元素的类型:
type VideoTable = {
id: Generated<number>;
in_episodes: ColumnType<number[], number[], number[]>;
}
这种定义方式确保了类型安全,同时明确了该列在数据库中是数字数组类型。
为什么原始查询会失败
原始查询直接使用了 JavaScript 数组 [1] 作为参数,这在 PostgreSQL 中会被解释为字符串字面量 "1",而不是数组。PostgreSQL 期望数组字面量以 { 开头或者包含维度信息,因此会抛出 malformed array literal 错误。
其他有用的数组操作符
除了 @> (包含)操作符外,PostgreSQL 还提供了其他有用的数组操作符:
&&:数组有重叠(有共同元素)<@:数组被包含=:数组相等||:数组连接
在 Kysely 中,这些操作符都可以类似地使用 sql 模板标签来构造正确的查询条件。
总结
在使用 Kysely 与 PostgreSQL 交互时,处理数组类型需要特别注意 PostgreSQL 的特殊语法要求。通过使用 sql 模板标签和正确的数组构造语法,我们可以避免常见的错误,构建出既类型安全又符合 PostgreSQL 语法的查询。记住,数据库中的数组表示法与编程语言中的通常不同,这是许多开发者容易忽视的一个重要细节。
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-1.5暂无简介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
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
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