EntityFramework Core 中如何正确使用原生SQL查询获取记录数
在使用EntityFramework Core进行数据库操作时,有时我们需要直接执行原生SQL查询来获取特定结果。本文将详细介绍如何正确使用原生SQL查询来获取表中的记录数,并解释其中的技术细节。
常见错误场景
许多开发者尝试使用以下方式获取记录数:
private const string FINANCER_COUNT_SQL_QUERY = "SELECT COUNT(*) FROM Financers";
var total = await _context.Database.SqlQueryRaw<int>(FINANCER_COUNT_SQL_QUERY).FirstAsync();
这种方式会导致SQLite错误:"no such column: s.Value"。这个错误的原因是EntityFramework Core在底层处理查询结果时的特殊要求。
问题根源分析
当使用FirstAsync()或类似方法时,EntityFramework Core会在原生SQL查询外层添加额外的SQL逻辑(如在SQL Server上添加TOP子句)。此时EF Core要求查询结果必须包含一个名为"Value"的列,因为它不会解析你提供的SQL语句,只是将其作为子查询包装。
正确解决方案
有两种方式可以正确获取记录数:
方法一:添加AS Value别名
private const string FINANCER_COUNT_SQL_QUERY = "SELECT COUNT(*) AS Value FROM Financers";
var total = await _context.Database.SqlQueryRaw<int>(FINANCER_COUNT_SQL_QUERY).FirstAsync();
这种方法明确告诉EF Core查询结果中的列名,使其能够正确映射。
方法二:使用ToListAsync后再获取结果
private const string FINANCER_COUNT_SQL_QUERY = "SELECT COUNT(*) FROM Financers";
var results = await _context.Database.SqlQueryRaw<int>(FINANCER_COUNT_SQL_QUERY).ToListAsync();
var total = results.FirstOrDefault();
这种方法避免了EF Core对查询的额外包装,但需要额外的内存操作。
技术原理深入
EntityFramework Core在执行原生SQL查询时,会根据后续的操作方法决定如何处理查询:
-
当使用
FirstAsync()、SingleAsync()等方法时,EF Core会在数据库层面添加限制逻辑,这需要查询结果有明确的列名映射。 -
当使用
ToListAsync()等方法时,EF Core会直接执行原始SQL,不添加任何额外逻辑。 -
对于标量查询(如COUNT),EF Core期望结果集中有一个名为"Value"的列来进行映射。
最佳实践建议
-
对于简单的标量查询,推荐使用方法一,既简洁又高效。
-
对于复杂查询,可以考虑使用方法二,特别是当查询本身已经包含了限制逻辑时。
-
在生产环境中,建议为所有SQL查询中的列添加明确的别名,提高代码可读性和可维护性。
-
考虑将常用查询封装为存储过程或数据库函数,通过EF Core调用,可以获得更好的性能和可维护性。
通过理解这些原理和实践,开发者可以更有效地在EntityFramework Core中使用原生SQL查询,特别是处理像记录数统计这样的常见需求。
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