QGIS中PostgreSQL图层复制后要素计数问题的分析与解决
问题背景
在使用QGIS处理PostgreSQL数据库图层时,用户发现了一个关于要素计数的异常现象:当复制一个PostgreSQL图层后,修改原始图层的过滤条件会导致复制图层的要素计数也发生变化。此外,在复制图层上修改过滤条件时,要素计数不会自动更新。更严重的是,当添加一个本应被过滤掉的新要素时,要素计数仍然会增加。
问题重现
- 创建一个基于PostgreSQL的图层
- 复制该图层
- 在两个图层上都启用要素计数显示(此时计数相同)
- 在原始图层上添加过滤条件(右键 > 过滤器...)
- 观察发现两个图层的要素计数仍然相同,尽管过滤条件只应用在原始图层上
技术分析
经过深入分析,发现问题的根源在于QGIS中PostgreSQL图层的共享数据机制。具体表现为:
-
共享数据对象问题:当复制图层时,
QgsPostgresSharedData对象mShared在图层克隆过程中被共享。在layer->dataProvider()->handlePostCloneOperations(mDataProvider)调用中,复制图层引用了与原始图层相同的共享数据对象。 -
要素计数更新机制缺陷:在
updateLabel方法中,系统会检查mShared->featuresCounted()的返回值。由于共享数据对象的存在,复制图层不会更新自己的要素计数。 -
过滤条件同步问题:共享数据对象维护的要素计数会在添加和删除要素时更新,这就导致了即使添加的要素被过滤掉,计数仍然会增加的问题。
解决方案
针对这一问题,开发团队提出了几种可能的解决方案:
-
避免共享数据引用:在图层克隆过程中,避免复制图层引用原始图层的
QgsPostgresSharedData对象。 -
扩展共享数据结构:将过滤条件(subsetString)纳入
QgsPostgresSharedData中,确保不同过滤条件的图层不会共享相同的计数数据。 -
动态创建共享数据:在修改过滤条件时,为图层创建一个新的
QgsPostgresSharedData对象。
经过评估,团队最终选择了第三种方案,因为它能够最彻底地解决问题,同时保持代码的清晰性和可维护性。
临时解决方案
在正式修复发布前,用户可以采取以下临时解决方案:
-
使用"复制并粘贴"而非"复制"功能来创建新图层,因为这会通过QLR定义导出和导入创建一个全新的图层。
-
保存并重新打开项目,这可以强制刷新要素计数使其显示正确值。
影响范围
该问题主要影响以下场景:
- 使用PostgreSQL数据源的图层
- 涉及图层复制操作的工作流
- 依赖准确要素计数的自动化处理流程
结语
这一问题揭示了QGIS在处理共享数据源图层时的潜在缺陷。通过深入分析数据共享机制和要素计数更新流程,开发团队不仅解决了当前问题,也为未来类似问题的预防提供了宝贵经验。对于用户而言,理解这一机制有助于更好地规划数据处理流程,避免因要素计数不准确而导致的分析错误。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00