MyBatis-Plus 3.5.8版本逻辑删除与乐观锁冲突问题解析
问题背景
在MyBatis-Plus框架的3.5.8版本中,开发者发现了一个关于逻辑删除与乐观锁机制冲突的问题。具体表现为:当使用BaseMapper的deleteBatchIds方法执行逻辑删除操作时,会自动触发updateFill方法,这与3.5.5版本的行为不同。
问题现象
在3.5.5版本中,执行deleteBatchIds方法进行逻辑删除时,不会触发自动填充字段的updateFill方法。而在3.5.8版本中,同样的操作会触发updateFill方法,这导致了一些依赖乐观锁版本校验的业务逻辑出现问题。
技术分析
逻辑删除机制
MyBatis-Plus提供了逻辑删除功能,它通过在表中设置一个标志位(如deleted字段)来标记记录是否被删除,而不是真正从数据库中物理删除记录。这种方式可以保留历史数据,便于数据恢复和审计。
乐观锁实现
乐观锁通常通过版本号机制实现,在数据更新时会检查版本号是否匹配。在MyBatis-Plus中,可以通过@Version注解标记版本号字段,并在更新时自动进行版本校验。
版本变更影响
3.5.8版本对逻辑删除的实现进行了调整,使得deleteBatchIds方法会触发updateFill方法。这一变更导致以下问题:
- 在updateFill方法中获取版本号时,由于逻辑删除操作可能没有传入版本号,导致获取到的值为null
- 如果业务代码中有对版本号的非空校验,就会抛出异常
解决方案
MyBatis-Plus在3.5.8版本中已经将deleteBatchIds方法标记为过时(deprecated),并提供了新的deleteByIds方法作为替代。新方法提供了更灵活的配置选项:
// 使用deleteByIds方法并设置useFill参数
deleteByIds(ids, useFill);
通过设置useFill参数,可以控制是否在逻辑删除操作中触发自动填充功能,从而避免与乐观锁机制的冲突。
最佳实践建议
- 对于新项目,建议直接使用deleteByIds方法替代过时的deleteBatchIds方法
- 在需要进行逻辑删除且涉及乐观锁的场景中,合理设置useFill参数
- 在updateFill方法中增加对逻辑删除操作的判断,避免不必要的版本号校验
- 升级到最新版本时,注意检查所有使用过时方法的地方,并进行相应替换
总结
MyBatis-Plus在版本迭代过程中不断优化功能实现,开发者需要关注版本变更日志和API文档的变化。对于逻辑删除与乐观锁这种常见的业务场景,理解框架底层实现机制有助于更好地解决实际开发中遇到的问题。通过合理使用新版本提供的API和配置选项,可以构建更加健壮的数据访问层。
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