MyBatis-Plus QueryWrapper 字段排除查询的实践方案
2025-05-13 12:29:07作者:农烁颖Land
在实际开发中,我们经常会遇到这样的场景:需要查询实体类的大部分字段,但只需要排除其中的少数几个字段。MyBatis-Plus作为流行的ORM框架,其QueryWrapper提供了灵活的查询构建方式,但针对这种"反向选择"的需求,开发者需要掌握正确的使用方法。
字段排除查询的需求背景
在数据库查询中,常见的字段选择方式有两种:
- 正向选择:明确指定需要查询的字段
- 反向选择:明确指定不需要查询的字段,其余字段全部查询
MyBatis-Plus的QueryWrapper默认提供了select(String... columns)方法用于正向选择字段,但对于反向选择场景,开发者可能会期望有一个类似unSelect()的方法来排除特定字段。
现有解决方案
虽然QueryWrapper没有直接提供unSelect()方法,但可以通过select(Class<T> entityClass, Predicate<TableFieldInfo> predicate)方法实现相同的效果。这个方法接收两个参数:
- 实体类Class对象
- 一个断言(Predicate)函数,用于决定哪些字段应该被包含
具体实现方式
假设我们有一个User实体类,包含id、name、age、email等字段,现在需要查询除email外的所有字段,可以这样实现:
queryWrapper.select(User.class, tableFieldInfo -> !"email".equals(tableFieldInfo.getColumn()));
这种实现方式的核心在于:
- 通过实体类Class获取所有字段信息
- 使用Predicate函数对每个字段进行判断
- 返回true表示包含该字段,false表示排除
高级用法
这种基于Predicate的筛选方式非常灵活,不仅可以实现简单的字段排除,还能支持更复杂的条件:
- 排除多个字段:
queryWrapper.select(User.class, field ->
!Arrays.asList("email", "password").contains(field.getColumn()));
- 基于字段属性进行筛选:
// 排除所有大字段(如text/blob类型)
queryWrapper.select(User.class, field ->
!field.getType().equals(Types.LONGVARCHAR));
- 结合注解进行筛选:
// 排除带有@Sensitive注解的字段
queryWrapper.select(User.class, field ->
field.getField().getAnnotation(Sensitive.class) == null);
性能考量
使用这种动态字段选择方式时,需要注意:
- 反射开销:每次调用都会通过反射获取字段信息,在极高并发场景下可能有性能影响
- SQL生成:生成的SQL语句会包含所有选中字段,当字段很多时SQL会变长
- 缓存机制:MyBatis-Plus会对字段信息进行缓存,重复调用性能影响较小
最佳实践建议
- 对于固定字段排除需求,可以封装成工具方法复用
- 在循环或高频调用场景,考虑缓存Predicate函数实例
- 当需要排除的字段很多时,反而应该考虑使用正向选择
- 结合Swagger等API文档工具时,注意字段排除对文档的影响
总结
虽然MyBatis-Plus没有直接提供unSelect()方法,但通过现有的select方法配合Predicate函数,开发者完全可以实现字段排除查询的需求。这种方式不仅灵活强大,而且保持了代码的简洁性。理解这一特性,可以帮助开发者在实际项目中更好地控制查询结果,优化数据传输效率。
登录后查看全文
热门项目推荐
相关项目推荐
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-X1-7BSpark-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-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
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
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
328
2.75 K
deepin linux kernel
C
24
7
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
368
3.11 K
Ascend Extension for PyTorch
Python
162
182
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
248
87
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
475
仓颉编译器源码及 cjdb 调试工具。
C++
125
853
React Native鸿蒙化仓库
JavaScript
240
312
🎉 (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
1.08 K
617
暂无简介
Dart
612
138