Drizzle ORM 中 exactOptionalPropertyTypes 的灵活类型支持
在 TypeScript 开发中,exactOptionalPropertyTypes 是一个重要的编译器选项,它改变了可选属性的类型检查行为。Drizzle ORM 作为一个现代化的 TypeScript ORM 库,在最新版本中针对这一特性进行了优化,提供了更灵活的类型支持。
exactOptionalPropertyTypes 的背景
当 TypeScript 项目中启用 exactOptionalPropertyTypes 选项时,类型系统会对可选属性进行更严格的检查。传统上,TypeScript 将可选属性视为可以省略或显式设置为 undefined 的属性。但在启用此选项后,可选属性仅表示可以省略,而不能显式设置为 undefined,除非类型中明确包含 undefined。
这一改变使得类型系统更加精确,但也带来了一些兼容性问题。许多库需要更新其类型定义以适应这一变化,Drizzle ORM 正是其中之一。
Drizzle ORM 的类型改进
Drizzle ORM 在处理数据库操作时,如 .values() 和 .set() 方法,会接收包含表字段的对象。在之前的版本中,这些方法的类型定义没有考虑 exactOptionalPropertyTypes 的情况,导致当开发者启用此选项时,传递包含 undefined 值的对象会产生类型错误。
新版本通过以下方式解决了这个问题:
- 对于更新操作中的
.set()方法,现在允许可选属性显式设置为undefined - 对于插入操作中的
.values()方法,同样支持可选属性包含undefined值
这些改进使得 Drizzle ORM 能够更好地与现代 TypeScript 项目配合,特别是那些追求更严格类型安全的项目。
实际应用场景
假设我们有一个用户表,其中包含可选的联系方式字段:
// 表定义
const users = pgTable('users', {
id: serial('id').primaryKey(),
name: text('name').notNull(),
contact: text('contact') // 可选字段
});
在启用 exactOptionalPropertyTypes 的项目中,现在可以这样使用:
// 更新操作
await db.update(users)
.set({ contact: undefined }) // 显式设置为 undefined
.where(eq(users.id, 1));
// 插入操作
await db.insert(users)
.values({
name: 'John',
contact: undefined // 显式设置为 undefined
});
升级建议
对于已经启用 exactOptionalPropertyTypes 的项目,建议升级到 Drizzle ORM 0.38.1 或更高版本以获得这一改进。升级后,之前可能需要类型断言或特殊处理的代码现在可以直接通过类型检查,使代码更加简洁和安全。
这一改进体现了 Drizzle ORM 对 TypeScript 最新特性的快速响应能力,也展示了其作为现代化 ORM 库对开发者体验的重视。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C0105
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python059
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00