深入解析node-mysql2中的错误处理机制
2025-06-15 10:29:30作者:钟日瑜
前言
在使用node-mysql2进行MySQL数据库操作时,错误处理是一个关键环节。本文将详细探讨如何在node-mysql2中有效地捕获和处理MySQL服务器返回的错误,特别是自定义SQL错误。
node-mysql2错误对象结构
当MySQL查询执行失败时,node-mysql2会返回一个错误对象,该对象包含丰富的错误信息。典型的错误对象包含以下属性:
- code: 错误代码标识符,如'ER_SIGNAL_EXCEPTION'
- errno: MySQL错误编号
- sql: 执行的SQL语句
- sqlState: SQL状态码
- sqlMessage: MySQL服务器返回的错误消息
自定义SQL错误的处理
MySQL允许使用SIGNAL SQLSTATE语法抛出自定义错误。例如,在触发器中可以这样定义:
IF v_hashdupe > 0 THEN
SIGNAL SQLSTATE '45000' SET MESSAGE_TEXT = "DUPLICATE: Already have that data";
END IF;
在node-mysql2中,可以通过检查错误对象的sqlState属性来识别这类自定义错误:
if (err.sqlState === '45000') {
console.log(`自定义错误: ${err.sqlMessage}`);
}
异步错误处理的最佳实践
在异步环境中处理MySQL错误需要注意以下几点:
-
避免async/await的陷阱:直接使用async/await可能会隐藏一些错误细节,建议结合Promise的then/catch方法
-
完整的错误处理示例:
async function executeSQL(conn, sql) {
let results;
await conn.promise().query(sql)
.then(response => {
results = response[0];
})
.catch(err => {
if (err.sqlState === '45000') {
results = { insertId: 0, message: err.sqlMessage };
} else {
results = { insertId: 0, message: err.message };
}
});
return results;
}
- 错误分类处理:根据不同的错误类型采取不同的处理策略,如重试、记录日志或返回用户友好的错误消息
常见错误处理模式
- 连接错误:处理数据库连接失败的情况
- 查询错误:处理SQL语法错误或约束违反
- 超时错误:处理查询执行超时
- 连接池错误:处理连接池资源耗尽的情况
高级技巧
- 错误包装:将原始MySQL错误包装成应用特定的错误类型
- 错误日志:记录完整的错误上下文以便调试
- 重试机制:对可重试的错误实现自动重试逻辑
- 错误监控:将错误信息发送到监控系统
总结
node-mysql2提供了丰富的错误信息,开发者可以利用这些信息构建健壮的错误处理机制。关键在于理解错误对象的结构,针对不同类型的错误采取适当的处理策略,并在异步环境中正确地传播和捕获错误。通过良好的错误处理实践,可以显著提高应用的稳定性和可维护性。
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
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
414
3.18 K
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
Ascend Extension for PyTorch
Python
228
258
暂无简介
Dart
679
160
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++
689
325
🔥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
65
19
React Native鸿蒙化仓库
JavaScript
265
326
🎉 (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
1.21 K
660
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
492