Drogon框架中ORM分页查询的正确使用方法
2025-05-18 17:33:33作者:房伟宁
drogon
Drogon: A C++14/17/20 based HTTP web application framework running on Linux/macOS/Unix/Windows
理解Drogon ORM的分页机制
Drogon框架提供了强大的ORM功能,其中分页查询是Web开发中常见的需求。在Drogon ORM中,分页通过limit()和offset()方法实现,这两个方法直接对应SQL标准中的LIMIT和OFFSET子句。
分页参数的计算方法
在实现分页功能时,开发者需要正确处理前端传递的分页参数。常见的前端参数包括:
page:当前页码,通常从1开始pageSize:每页显示的记录数
正确的分页计算方式应该是:
int page = std::stoi(pJson.get("page", "1").asString());
int pageSize = std::stoi(pJson.get("pageSize", "10").asString());
int offset = (page - 1) * pageSize;
std::vector<Admin> admin_list = mp.orderBy(Admin::Cols::_id)
.limit(pageSize)
.offset(offset)
.findAll();
常见误区解析
许多开发者在使用分页时容易犯以下错误:
- 直接使用页码作为offset:错误地认为offset就是页码,实际上offset应该是(页码-1)*每页大小
- 忽略参数类型转换:从JSON获取的参数通常是字符串,需要转换为整数
- 默认值处理不当:没有为分页参数设置合理的默认值
实际应用示例
假设我们有一个管理员列表需要分页显示,每页显示10条记录,查询第2页数据的正确做法是:
// 第2页,每页10条
int page = 2;
int pageSize = 10;
int offset = (2 - 1) * 10; // 计算得到offset=10
// 查询语句
auto admins = mp.orderBy(Admin::Cols::_id)
.limit(pageSize)
.offset(offset)
.findAll();
性能优化建议
对于大数据量的分页查询,使用LIMIT/OFFSET方式在偏移量较大时性能会下降。Drogon ORM也支持更高效的分页方式,如使用WHERE条件配合主键进行分页:
// 假设已知上一页最后一条记录的ID是lastId
auto admins = mp.orderBy(Admin::Cols::_id)
.limit(pageSize)
.where(Admin::Cols::_id > lastId)
.findAll();
这种方式避免了OFFSET带来的性能问题,特别适合无限滚动或移动端分页场景。
总结
Drogon框架的ORM提供了简洁而强大的分页功能,开发者需要正确理解LIMIT和OFFSET的含义,合理计算分页参数。通过本文的讲解,希望开发者能够避免常见的分页使用误区,实现高效、正确的分页查询功能。
drogon
Drogon: A C++14/17/20 based HTTP web application framework running on Linux/macOS/Unix/Windows
登录后查看全文
热门项目推荐
相关项目推荐
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
项目优选
收起
deepin linux kernel
C
24
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
405
3.14 K
Ascend Extension for PyTorch
Python
226
251
暂无简介
Dart
672
159
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++
663
319
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.21 K
657
React Native鸿蒙化仓库
JavaScript
262
325
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
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
220
仓颉编译器源码及 cjdb 调试工具。
C++
135
868