MyBatis-Plus-Generator-UI 项目配置与使用深度解析
项目配置存储优化
在MyBatis-Plus-Generator-UI项目中,默认配置文件的存储位置存在一个常见痛点:当项目移动或更换开发环境时,用户配置容易丢失。这是因为默认实现将配置文件存储在系统用户目录下(user.home)。
通过修改UserConfigStore.java类中的afterPropertiesSet方法,我们可以将配置存储位置调整为项目根目录。这一改动不仅解决了配置丢失问题,还使得项目配置能够随代码库一起版本控制,便于团队协作开发。
public void afterPropertiesSet() throws Exception {
// 原实现:存储在系统用户目录
// this.storeDir = PathUtil.joinPath(System.getProperty("user.home"), CONFIG_HOME, generatorConfig.getBasePackage());
// this.userConfigPath = this.storeDir + File.separator + "user-config.json";
// 修改后:存储在项目根目录
this.storeDir = PathUtil.joinPath(System.getProperty("user.dir"));
this.userConfigPath = this.storeDir + File.separator + "user-config.json";
}
模板管理最佳实践
模板管理是代码生成器的核心功能之一。针对不同项目需求,建议采用以下模板管理策略:
- 分层管理:将当前项目使用的模板放在最外层目录,确保直接可用
- 分类归档:为不常用的模板创建专用文件夹进行分类存放
- 保留原始:始终保持原始模板的完整性,作为基准参考
这种管理方式既保证了常用模板的便捷访问,又维护了模板库的完整性和可追溯性。
配置持久化机制
项目的配置保存机制遵循以下流程:
- 启动项目并通过浏览器访问UI界面
- 在界面完成各项配置设置
- 执行保存操作后,配置将持久化到
user-config.json文件 - 后续启动会自动加载已保存的配置
这一机制确保了开发环境的连续性,避免了重复配置的繁琐工作。
SQL生成类定制技巧
在DtoStrategyForm.vue组件中,handleMapperMethodInput方法控制着SQL语句生成的关键逻辑。开发者可以通过修改此方法实现:
- 自定义生成SQL的条件语句
- 调整返回实体类的命名规则
- 指定生成代码的模块位置
这一灵活性使得生成的代码能够完美适配各种项目架构和编码规范。
分页功能通用化改造
原生的分页处理存在一定局限性。通过改造SqlGeneratorService类,我们可以实现更灵活的分页支持:
// 修改前:强制返回Page类型
// .returnType(returnType)
// 修改后:支持返回List或Page类型
String lastReturnType = returnType.replaceFirst("List","Page");
JavaClassMethodInfo methodInfo = JavaClassMethodInfo.builder()
.classRef(daoClassRef)
.methodName(config.getMapperMethod())
.returnType(lastReturnType)
.importJavaTypes(imports)
.params(methodParams)
.build();
javaClassParser.addMethod2Interface(methodInfo);
这一改进使得生成的Mapper方法既可以支持分页查询,也可以用于普通列表查询,大大提高了代码的复用性。
常见问题修复
在AutoCompleteService类中存在一个参数顺序错误的Bug:
// Bug修复前
// doSearch(new File(mapperRootPath), DOT_XML, searchKey, hitNames);
// Bug修复后
doSearch(new File(mapperRootPath), searchKey, DOT_XML, hitNames);
正确的参数顺序确保了XML文件的搜索功能正常工作,这是使用代码生成功能的基础保障。
高效使用技巧
基于实际项目经验,总结出以下高效使用流程:
- 初始化配置:选择一个测试表,生成空配置(不选择任何选项)
- 设置项目路径:刷新并指定目标项目的绝对根路径
- 生成SQL语句:在确认基础配置正确后,生成所需的SQL语句
这种分步操作方式避免了配置混乱,确保了生成代码的准确性和一致性。通过掌握这些技巧和优化点,开发者可以充分发挥MyBatis-Plus-Generator-UI的潜力,显著提升开发效率。
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