Drizzle ORM 中 SQLite 数据库迁移的常见问题与解决方案
问题背景
在使用 Drizzle ORM 进行 SQLite 数据库迁移时,许多开发者遇到了一个特定的错误:"This statement does not return data. Use run() instead"。这个问题主要出现在执行 db:push 命令时,特别是在 Mac 系统上,但 Windows 用户也报告了类似情况。
错误分析
该错误的核心在于 Drizzle Kit 在执行 SQL 语句时错误地使用了 query() 方法而不是 run() 方法。在 SQLite 中,对于不返回数据的 DDL(数据定义语言)和 DML(数据操作语言)语句,应该使用 run() 方法而非 query() 方法。
技术细节
SQLite 驱动区分了两种执行 SQL 语句的方式:
query()- 用于执行会返回数据的 SELECT 查询run()- 用于执行不返回数据的 INSERT、UPDATE、DELETE 等语句
在数据库迁移场景中,执行的通常是 CREATE TABLE、ALTER TABLE 等 DDL 语句,这些语句不返回数据,因此应该使用 run() 方法。
解决方案演进
临时解决方案
开发者们发现了以下几种临时解决方案:
-
手动修改 Drizzle Kit 源码: 找到 node_modules 中的相关文件,将所有
db.query()调用替换为db.run() -
降级 Drizzle Kit 版本: 使用 0.22.8 版本可以避免此问题,因为该版本正确使用了
run()方法
官方修复
Drizzle 团队在 0.28.0 版本中正式修复了这个问题。更新日志显示:
- 修复了 SQLite 迁移时错误使用
query()而不是run()的问题 - 确保了 BEGIN、COMMIT 和 ROLLBACK 等事务语句也使用正确的执行方法
最佳实践建议
-
版本选择: 确保使用 Drizzle Kit 0.28.0 或更高版本
-
环境一致性: 虽然问题最初在 Mac 上报告,但实际是跨平台的,建议所有开发环境使用相同版本
-
迁移策略: 对于关键项目,建议先在小规模测试环境中验证迁移操作
-
错误处理: 实现完善的错误处理机制,特别是在自动迁移脚本中
技术原理延伸
理解这个问题有助于深入掌握数据库操作的基本原理。SQL 语句分为两大类:
- 查询语句(SELECT):需要返回数据结果集
- 非查询语句(INSERT/UPDATE/DELETE/CREATE 等):只返回执行状态
现代 ORM 工具通常会抽象这些细节,但在底层实现中仍需正确处理。Drizzle ORM 的这个案例展示了即使高级抽象层也可能暴露底层细节,理解这些机制有助于更好地使用工具和调试问题。
总结
Drizzle ORM 的 SQLite 迁移问题是一个典型的 API 使用不当案例,通过分析这个问题,我们不仅找到了解决方案,还加深了对数据库操作原理的理解。对于开发者而言,保持工具链更新和深入理解底层原理同样重要。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00