探索Entity Framework Core的无限可能:《实体框架Core实战》开源代码库
欢迎来到与《实体框架Core实战》一书配套的Git仓库——EfCoreInAction。这本书由Manning出版社出版,详细介绍了如何在.NET Core应用程序中利用Entity Framework Core(EF Core)开发数据库访问代码。
这个Git仓库包含了书中所有的代码示例,以及一个在书中逐步构建和优化的在线图书售卖网站。所有代码均基于微软的开源库——EF Core进行开发。
请注意:代码基于.NET Core 2.0,部分分支已升级到.NET Core 2.1。
开发环境要求
要运行这些代码,您需要:
- 安装.NET Core 2.0 SDK,前往官方网站选择适合您的系统的版本。
- 建议使用Visual Studio 2017 15.3或更高版本,或者Visual Studio Code。因为代码设计为在这两个环境中都能正常工作。
代码结构一览
本仓库采取了“章节分支”的方式管理代码,这意味着在主分支上找不到代码。只需点击Branches,即可查看所有创建的分支。
每个部分的分支结构如下:
第一部分:入门
Ch5Migrate
/
master Ch1 Ch2 --> Ch3 --> Ch4 --> Ch5 -->
第二部分:深入理解Entity Framework
(ch5) --> Ch6 --> Ch7 --> Ch8 --> Ch9
第三部分:在真实世界的应用程序中使用Entity Framework
Ch13-Part3
/
Ch13-Part2 Ch14MySql
/ /
(ch9) --> Ch10 --> Ch11 --> Ch12 --> Ch13-Part1 --> Ch14 --> (Ch15) Note1
注:第15章关于单元测试的内容有自己的Git仓库,地址是:https://github.com/JonPSmith/EfCore.TestSupport,并提供了一个名为EfCore.TestSupport的NuGet包。
此外,为了对比EF Core 2.0和2.1的性能,还特别创建了几个针对.NET Core 2.1的分支,如Chapter05-NetCore21等。对于EF Core 3的支持,也有相应的分支,如Chapter01-NetCore3等。
实时示例书籍销售网站
您可以访问efcoreinaction.com以查看在线版本的图书销售站点。虽然无法在此处编辑数据,但当您将Git仓库克隆到本地并运行示例应用时,就可以进行编辑操作。在“日志”导航栏下,可以看到实现最后一条命令所使用的SQL代码。
数据库命名约定
由于不同分支下的数据库结构可能会变化,因此我们采用了一种从文件中读取分支名来构造数据库名称的方法。另外,由于xUnit单元测试会并行执行,所以不能共用一个数据库,以免相互影响。详细的解释在第11章中有所描述,不过这会导致运行单元测试时产生大量数据库。如果您对此感到困扰,可以运行测试/UnitCommands/DeleteAllUnitTestDatabases中的单元测试来删除所有测试数据库。
许可协议
该项目遵循MIT许可。
其他资源
您可以在Twitter上关注我[@thereformedprog],也可以访问我的博客http://www.thereformedprogrammer.net/,那里有更多关于EF 6.x和一些EF Core的文章。
快乐编码!
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
Spark-Prover-7BSpark-Prover 是由科大讯飞团队开发的专用大型语言模型,专为 Lean4 中的自动定理证明而设计。该模型采用创新的三阶段训练策略,显著增强了形式化推理能力,在同等规模的开源模型中实现了最先进的性能。Python00
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-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