Npgsql与EF Core在多租户环境中的Period映射与DataSource优化实践
2025-07-10 16:41:41作者:苗圣禹Peter
背景介绍
在将多租户应用从.NET 6迁移到.NET 8的过程中,开发者遇到了两个关键的技术挑战:NodaTime的Period类型映射问题和Npgsql数据源管理问题。这些问题在多租户架构下尤为突出,因为每个租户都需要独立的数据库连接配置。
Period类型映射的正确实现
在Npgsql 8.x版本中,对NodaTime的Period类型映射需要特别注意。正确的实现方式是在DbContext配置中显式启用NodaTime支持:
protected override void OnConfiguring(DbContextOptionsBuilder optionsBuilder)
{
optionsBuilder.UseNpgsql(connectionString, o => o.UseNodaTime());
}
对于模型中的Period属性,可以像普通属性一样定义:
public class Event
{
public Period? Duration { get; set; }
}
多租户环境下的DataSource管理
在多租户应用中,常见的错误是在DbContext的OnConfiguring方法中直接创建NpgsqlDataSource实例:
// 错误示例:每次DbContext实例化都会创建新DataSource
protected override void OnConfiguring(DbContextOptionsBuilder optionsBuilder)
{
var dataSourceBuilder = new NpgsqlDataSourceBuilder(connectionString);
dataSourceBuilder.UseNodaTime();
var dataSource = dataSourceBuilder.Build();
optionsBuilder.UseNpgsql(dataSource);
}
这种做法会导致:
- 每次DbContext实例化都创建新的连接池
- 可能触发EF Core的IServiceProvider实例数量警告
- 连接池无法有效复用,性能下降
优化方案:DataSource缓存
正确的做法是实现一个DataSource解析器,确保每个连接字符串只创建一个DataSource实例:
public class NpgsqlDataSourceResolver
{
private readonly ConcurrentDictionary<string, NpgsqlDataSource> _dataSources = new();
public NpgsqlDataSource Resolve(string connectionString, Func<string, NpgsqlDataSource> factory)
{
return _dataSources.GetOrAdd(connectionString, factory);
}
}
然后在DbContext中使用:
protected override void OnConfiguring(DbContextOptionsBuilder optionsBuilder)
{
var dataSource = _dataSourceResolver.Resolve(
connectionString,
cs => new NpgsqlDataSourceBuilder(cs).UseNodaTime().Build()
);
optionsBuilder.UseNpgsql(dataSource);
}
关于IServiceProvider警告的处理
当看到"More than twenty 'IServiceProvider' instances"警告时,需要区分两种情况:
- 正常情况:如果租户数量固定且每个租户有独立的DataSource,可以安全忽略该警告
- 异常情况:如果DataSource被频繁创建(如每次请求都创建),则需要优化
最佳实践总结
- 对于NodaTime支持,始终在UseNpgsql中调用UseNodaTime()
- 使用单例的DataSourceResolver管理所有租户的DataSource
- 确保每个连接字符串只对应一个DataSource实例
- 对于固定数量的租户,可以安全忽略IServiceProvider数量警告
- 避免在DbContext配置中直接创建DataSource实例
通过以上优化,可以确保在多租户环境中既保持Period类型的正确映射,又能高效管理数据库连接池,获得最佳性能表现。
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
Ascend Extension for PyTorch
Python
223
246
暂无简介
Dart
672
157
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++
663
313
React Native鸿蒙化仓库
JavaScript
262
324
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
🎉 (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
1.2 K
655
🔥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
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
218
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
330
137