go-gorm/gen 中 Joins 与 Select 组合使用的注意事项
2025-07-01 17:41:35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
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-1.5暂无简介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
项目优选
收起
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
184
196
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++
648
265
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
275
97
暂无简介
Dart
623
140
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
380
3.43 K
React Native鸿蒙化仓库
JavaScript
242
315
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.1 K
621
仓颉编译器源码及 cjdb 调试工具。
C++
126
856
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