Spring Data Elasticsearch 中 Criteria 查询的正确使用方式
2025-06-27 14:25:13作者:廉彬冶Miranda
在使用 Spring Data Elasticsearch 进行文档查询时,Criteria API 是一个非常强大且灵活的工具。然而,如果不正确使用 Criteria 构建查询,可能会导致意外的 NullPointerException 或其他错误。本文将深入探讨 Criteria API 的正确使用方式,特别是处理否定查询和组合查询时的注意事项。
常见错误模式分析
许多开发者在使用 Criteria API 时容易犯以下两个典型错误:
-
创建无意义的空 Criteria 对象:直接使用
new Criteria()而不指定任何字段和条件,这样的 Criteria 对象在实际查询中没有任何作用。 -
忽略方法返回值:
and()和or()方法会返回新的 Criteria 实例或修改后的 Criteria 实例,但开发者有时会忽略这一点,导致查询构建不完整。
正确的 Criteria 构建方式
基本查询构建
正确的 Criteria 查询应该从指定字段开始:
// 正确的方式:直接指定字段和条件
Criteria criteria = Criteria.where("subject.documentId").is(search.getDocumentId())
.and("audit.deletedBy.id").not().exists();
这种方式清晰明了,直接链式调用构建完整的查询条件。
条件动态构建
在实际应用中,我们经常需要根据业务逻辑动态构建查询条件。正确的做法是:
Criteria criteria = new Criteria(); // 初始化为空条件
if (search.getDocumentId() != null) {
criteria = criteria.and("subject.documentId").is(search.getDocumentId());
}
if (search.getDeleted() != null) {
criteria = search.getDeleted()
? criteria.and("audit.deletedBy.id").exists()
: criteria.and("audit.deletedBy.id").not().exists();
}
虽然这里也使用了空 Criteria 初始化,但在动态构建场景下,这是可以接受的模式。
否定查询的注意事项
使用 .not() 进行否定查询时需要特别注意:
.not()必须紧跟在字段指定之后,条件指定之前- 否定查询会创建特殊的查询结构,确保 Elasticsearch 能正确解析
// 正确否定查询
Criteria.where("audit.deletedBy.id").not().exists();
// 错误方式(会导致NPE)
Criteria criteria = new Criteria();
criteria.and(new Criteria("audit.deletedBy.id").not().exists());
组合查询的最佳实践
对于复杂的组合查询,建议:
- 优先使用链式调用保持代码清晰
- 对于特别复杂的查询,可以考虑拆分并最后组合
- 使用适当的缩进和格式化提高可读性
// 复杂查询示例
Criteria criteria = Criteria.where("status").is("ACTIVE")
.and(
Criteria.where("createDate").gte(startDate)
.or("updateDate").gte(startDate)
)
.and("department").in(departments);
总结
Spring Data Elasticsearch 的 Criteria API 提供了强大的查询构建能力,但需要遵循正确的使用模式。记住始终从具体字段开始构建查询,正确处理否定查询,并注意方法返回值。通过遵循这些最佳实践,可以避免常见的 NPE 错误,构建出高效可靠的 Elasticsearch 查询。
登录后查看全文
热门项目推荐
相关项目推荐
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
项目优选
收起
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
185
196
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
480
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
276
97
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
380
3.44 K
暂无简介
Dart
623
140
React Native鸿蒙化仓库
JavaScript
242
315
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
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++
648
265
openGauss kernel ~ openGauss is an open source relational database management system
C++
157
210