EntityFramework Core 9.0 中 DropTable 与 CreateTable 组合操作的回归问题分析
在 EntityFramework Core 从 8.0 升级到 9.0 版本后,开发人员发现了一个重要的行为变化:当在同一个迁移操作中连续使用 DropTable 和 CreateTable 方法重建同一个表时,会导致迁移失败。这个问题引起了广泛关注,因为它影响了常见的数据库重构场景。
问题现象
当开发者在迁移代码中编写如下操作序列时:
protected override void Up(MigrationBuilder migrationBuilder)
{
migrationBuilder.DropTable(name: "Employees");
migrationBuilder.CreateTable(
name: "Employees",
columns: table => new
{
EmployeeId = table.Column<int>(type: "int", nullable: false)
.Annotation("SqlServer:Identity", "1, 1"),
Name = table.Column<string>(type: "nvarchar(max)", nullable: false)
},
constraints: table =>
{
table.PrimaryKey("PK_Employees", x => x.EmployeeId);
});
}
系统会抛出 KeyNotFoundException 异常,提示 The given key '(Employees, )' was not present in the dictionary。这表明 EF Core 9.0 在处理表删除和重建操作时,内部状态管理出现了问题。
临时解决方案
开发团队发现了一个有效的临时解决方案:使用原始 SQL 命令替代 DropTable 方法:
migrationBuilder.Sql("DROP TABLE Employees;");
这种方法绕过了 EF Core 的迁移操作处理逻辑,直接执行 SQL 命令,避免了内部状态不一致的问题。
问题根源分析
经过 EF Core 团队调查,这个问题源于 9.0 版本中对临时表(temporal tables)处理逻辑的重大重构。新的实现方式改变了迁移操作生成器内部维护表状态的方式,导致在同一个迁移中删除并重建表时,状态管理出现不一致。
具体来说,当执行 DropTable 操作时,EF Core 9.0 会从内部字典中移除该表的所有相关信息,包括其临时表属性。而当紧接着执行 CreateTable 时,系统尝试访问这些已被移除的信息,导致键不存在的异常。
影响范围
这个问题主要影响以下场景:
- 需要完全重建表结构的情况
- 表重命名操作(有时会先删除再创建)
- 列类型变更等需要完全重建表的操作
值得注意的是,这个问题在 EF Core 8.0 及更早版本中并不存在,属于 9.0 版本引入的回归问题。
官方修复方案
EF Core 团队已经确认了这个问题,并计划在两个版本中提供修复:
- EF Core 10.0 Preview 3
- EF Core 9.0.5
修复方案包括两个部分:
- 对非临时表场景,增强字典访问的健壮性
- 对临时表处理逻辑进行全面重新设计(仅在 10.0 中提供)
最佳实践建议
在等待官方修复的同时,建议开发者:
- 对于紧急修复,使用原始 SQL 命令作为临时解决方案
- 尽量避免在同一个迁移中删除并重建同一个表,考虑分步迁移
- 对于复杂表重构,考虑使用多步骤迁移策略
- 在升级到 EF Core 9.0 时,全面测试现有的迁移脚本
总结
这个回归问题提醒我们,在升级 ORM 框架时需要谨慎评估迁移相关功能的变化。EF Core 团队已经确认了问题的严重性并安排了修复计划。对于需要立即解决此问题的项目,使用原始 SQL 命令是一个可靠的临时方案,而长期来看,等待官方修复或升级到包含修复的版本是最佳选择。
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