FreeSql多租户场景下的表结构缓存优化实践
背景介绍
在基于FreeSql构建多租户系统时,开发人员常常会遇到一个典型问题:当不同租户使用相同的PostgreSQL数据库但位于不同的searchpath(搜索路径)下时,如何为每个租户实例维护独立的表结构缓存。这个问题在FreeSqlCloud等场景中尤为突出。
问题分析
FreeSql默认情况下使用全局静态的CacheTableEntityFactory来缓存表结构信息。这意味着当多个租户实例共享同一个FreeSql类型时,表结构缓存会被最后一个注册的配置覆盖,导致租户间的表结构映射出现混乱。
例如,当租户A将表映射为schemaA.tbname而租户B映射为schemaB.tbname时,如果使用全局缓存,最终只有一个映射关系会生效,这显然不符合多租户场景的需求。
解决方案演进
初始方案:自定义缓存工厂
最初提出的解决方案是通过UseCustomTableEntityCacheFactory方法为每个租户实例创建独立的缓存:
new FreeSqlBuilder().UseCustomTableEntityCacheFactory(() => {
Tkey _dbkey = (Tkey)AccessHelper.ReadPrivateField(fsq, "_dbkey");
var cache = FsqExtensionsCache<Tkey>.EntityConfigCache.GetOrAdd(_dbkey, (key) => new());
return cache;
});
这种方法虽然可行,但存在以下问题:
- 需要通过反射获取内部字段,不够优雅
- 需要开发者自行管理缓存生命周期
- 增加了代码复杂度
优化方案:使用连接工厂
更优雅的解决方案是利用FreeSql内置的UseConnectionFactory方法:
new FreeSqlBuilder().UseConnectionFactory(
DataType.CustomPostgreSQL,
() => new Npgsql.NpgsqlConnection(tenant_connectionString),
typeof(FreeSql.PostgreSQL.PostgreSQLProvider<>)
);
这种方法具有以下优势:
- 原生支持PostgreSQL的searchpath特性
- 无需处理表结构缓存问题
- 代码更加简洁直观
- 性能更好,无需额外的缓存管理
实现原理
当使用UseConnectionFactory方法时,FreeSql会为每个租户创建独立的数据库连接,这些连接可以配置不同的searchpath。PostgreSQL的searchpath特性会自动处理不同模式(schema)下的表访问,因此不再需要为每个租户单独维护表结构缓存。
最佳实践
对于PostgreSQL多租户场景,推荐以下实现方式:
- 为每个租户配置独立的连接字符串,包含特定的searchpath
- 使用
UseConnectionFactory方法创建租户特定的FreeSql实例 - 避免使用全局静态缓存,确保每个租户实例完全独立
总结
在FreeSql多租户架构设计中,正确处理表结构缓存是关键。通过利用PostgreSQL原生的searchpath特性和FreeSql的连接工厂机制,可以构建出既高效又易于维护的多租户解决方案。这种方法不仅解决了表结构缓存问题,还简化了代码结构,提高了系统的可维护性。
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- QQwen3-Coder-Next2026年2月4日,正式发布的Qwen3-Coder-Next,一款专为编码智能体和本地开发场景设计的开源语言模型。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
Baichuan-M3-235BBaichuan-M3 是百川智能推出的新一代医疗增强型大型语言模型,是继 Baichuan-M2 之后的又一重要里程碑。Python00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00