MyBatis-Plus QueryWrapper 字段排除查询的实践方案
2025-05-13 09:00:15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
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
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
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
暂无简介
Dart
670
155
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++
660
308
Ascend Extension for PyTorch
Python
219
236
仓颉编译器源码及 cjdb 调试工具。
C++
134
867
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
23
0
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
392
3.82 K
React Native鸿蒙化仓库
JavaScript
259
322