go-gorm/gen 中 Joins 与 Select 组合使用的注意事项
2025-07-01 17:46:56作者:蔡丛锟
在使用 go-gorm/gen 进行数据库查询时,开发者可能会遇到 Joins 和 Select 组合使用时与原生 GORM 行为不一致的情况。本文将深入分析这一现象,并解释如何正确使用 gen 进行关联查询。
问题现象
当开发者尝试使用 gen 进行关联查询时,可能会写出类似以下的代码:
d := query.Device
_, err = d.Select(d.Name).Joins(d.DeviceGroup.Select(query.Device.Name)).Rows()
期望的 SQL 是只查询设备名称和关联的设备组名称,但实际生成的 SQL 却包含了设备组的所有字段:
SELECT `devices`.`name`,`DeviceGroup`.`id` AS `DeviceGroup__id`,`DeviceGroup`.`name` AS `DeviceGroup__name`,`DeviceGroup`.`remark` AS `DeviceGroup__remark` FROM `devices` LEFT JOIN `device_groups` `DeviceGroup` ON `devices`.`group_id` = `DeviceGroup`.`id`
这与原生 GORM 的行为不同,原生 GORM 会正确生成只包含指定字段的 SQL:
SELECT `name`,`DeviceGroup`.`name` AS `DeviceGroup__name` FROM `devices` LEFT JOIN `device_groups` `DeviceGroup` ON `devices`.`group_id` = `DeviceGroup`.`id`
原因分析
gen 的设计理念与原生 GORM 有所不同。在 gen 中:
- Select 方法:用于指定最终查询结果中需要包含的字段
- Joins 方法:仅用于指定关联表和关联条件,而不用于指定关联表的查询字段
这种设计分离了关联定义和字段选择的责任,使得代码结构更加清晰。
正确用法
在 gen 中,正确的做法是将所有需要查询的字段都放在 Select 方法中:
d := query.Device
dg := query.DeviceGroup
_, err = d.Select(d.Name, dg.Name).Joins(d.DeviceGroup).Rows()
这样生成的 SQL 将只包含指定的字段:
SELECT `devices`.`name`,`DeviceGroup`.`name` FROM `devices` LEFT JOIN `device_groups` `DeviceGroup` ON `devices`.`group_id` = `DeviceGroup`.`id`
设计哲学
gen 的这种设计有以下几个优点:
- 一致性:所有字段选择都在 Select 方法中完成,避免了逻辑分散
- 可读性:代码结构更加清晰,易于理解和维护
- 可预测性:行为更加一致,减少了因方法组合顺序不同导致的结果差异
最佳实践
- 将所有的字段选择逻辑集中在 Select 方法中
- 使用 Joins 方法仅指定关联关系
- 对于复杂查询,可以先将关联表赋值给变量,提高代码可读性
- 充分利用 gen 的类型安全特性,避免直接使用字符串指定字段名
总结
理解 gen 与原生 GORM 在设计理念上的差异对于高效使用 gen 至关重要。通过将字段选择逻辑集中在 Select 方法中,开发者可以编写出更加清晰、可维护的查询代码,同时充分利用 gen 提供的类型安全优势。
登录后查看全文
热门项目推荐
相关项目推荐
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
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
222
238
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
暂无简介
Dart
671
156
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
661
312
React Native鸿蒙化仓库
JavaScript
261
322
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
仓颉编译器源码及 cjdb 调试工具。
C++
134
867
仓颉编程语言测试用例。
Cangjie
37
859
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
217