MyBatis-Plus 3.5.11版本发布:动态表处理与代码生成器增强
MyBatis-Plus作为MyBatis的增强工具包,一直以来都致力于简化开发、提高效率。最新发布的3.5.11版本带来了一系列重要的功能增强和问题修复,特别是在动态表处理、代码生成器和DDL脚本执行等方面有了显著改进。
核心功能增强
动态表处理机制优化
本次版本对动态表处理进行了重大改进,新增了基于JsqlParser的动态表处理拦截器DynamicTableNameJsqlParserInnerInterceptor。与传统的DynamicTableNameInnerInterceptor相比,新拦截器提供了更精确的表名解析能力,能够正确处理各种复杂SQL场景下的表名替换需求。
同时,优化了原有的动态表处理逻辑,确保hook能够稳定运行。对于常见的create table if not exists和create [type] index等语句,现在能够更准确地提取表名信息。
代码生成器功能增强
代码生成器模块在本版本中获得了多项增强:
- 支持在非Lombok环境下正确处理链式模型,避免生成不必要的
@Accessors注解 - 新增对Entity类
serialVersionUID字段的@Serial注解支持 - 提供了更灵活的注解处理机制,开发者现在可以自定义字段和类级别的注解处理
- 导包处理也支持自定义,为特殊场景下的代码生成提供了更多可能性
这些改进使得代码生成器能够更好地适应各种项目规范和特殊需求。
数据库支持与兼容性
新增数据库支持
3.5.11版本新增了对崖山数据库的支持,同时改进了Hive2数据库的分页功能。这些变化使得MyBatis-Plus能够更好地服务于使用这些数据库的用户群体。
兼容性调整
值得注意的是,本次版本对Gauss数据库的标识符进行了调整,从GAUSS改为小写的gauss,开发者在使用时需要注意这一变化。
DDL脚本执行改进
DDL相关功能在本版本中获得了显著增强:
- 支持自定义脚本运行器参数,为不同环境下的脚本执行提供了更多配置选项
DdlApplicationRunner现在支持更丰富的参数配置,包括脚本错误处理策略、自定义ScriptRunner以及多处理器执行异常处理方式- 优化了资源加载机制,不再强依赖Spring等特定框架
- 提供了自定义异常处理支持,使开发者能够更灵活地处理脚本执行过程中的问题
这些改进使得数据库初始化和管理更加灵活可靠。
问题修复与性能优化
本次版本修复了多个重要问题,包括:
- 主键使用UUID时批量删除操作错误
- Kotlin环境下
select(predicate)方法调用错误 - 动态SQL解析包含SQL注释导致的合并错误
- 数据变更记录拦截器的数据比较异常
- 非法SQL拦截插件获取catalog与schema错误
在性能优化方面,调整了JsqlParserGlobal的解析线程池配置,移除了多个过时的API,包括FieldStrategy.IGNORED和GlobalConfig.DbConfig#selectStrategy等,使代码更加简洁高效。
未来规划
开发团队在发布说明中透露,由于jsqlParser 5.0与5.1版本之间的兼容性问题不大,计划在未来版本中移除对jsqlParser 5.0的支持模块。长期来看,将主要维护jsqlParser 4.9和支持最新版本的模块,直到需要提升JDK版本为止。
总结
MyBatis-Plus 3.5.11版本在保持稳定性的基础上,带来了多项实用功能增强和重要问题修复。特别是动态表处理机制的改进和代码生成器的增强,将显著提升开发者在复杂场景下的工作效率。对于使用特殊数据库或有定制化需求的团队,这个版本提供了更多可能性。建议开发者评估这些新特性,适时升级以获得更好的开发体验。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0199
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0130
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python08
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook07