EntityFramework Core 中 DateOnly 与 TimeOnly 类型转换的 SQL Server 实现优化
在 EntityFramework Core 8.0 版本中,微软引入了对 DateOnly 和 TimeOnly 这两种新型日期时间类型的支持。这两种类型分别用于表示纯日期和纯时间,而不包含时区信息。然而,在实际应用中,我们经常需要将 DateOnly 和 TimeOnly 组合成完整的 DateTime 类型。
问题背景
在 C# 代码中,我们可以直接调用 DateOnly 的 ToDateTime 方法,并传入一个 TimeOnly 对象来组合成完整的 DateTime。例如:
dateOnly.ToDateTime(timeOnly)
然而,当这样的代码在 EntityFramework Core 的 LINQ 查询中使用时,EF Core 需要能够将其正确地转换为 SQL 语句。对于 SQL Server 数据库,最合适的转换方式是使用 DATETIMEFROMPARTS 函数。
技术解决方案
EF Core 团队决定实现这一转换,将 C# 中的 DateOnly.ToDateTime(TimeOnly) 方法调用转换为 SQL Server 的 DATETIMEFROMPARTS 函数调用。具体转换逻辑如下:
原始 C# 代码:
dateOnly.ToDateTime(timeOnly)
转换为:
EF.Functions.DateTimeFromParts(
dateOnly.Year, dateOnly.Month, dateOnly.Day,
timeOnly.Hour, timeOnly.Minute, timeOnly.Second, timeOnly.Millisecond)
最终生成的 SQL 语句:
DATETIMEFROMPARTS(
DATEPART(year, dateOnly), DATEPART(month, dateOnly), DATEPART(day, dateOnly),
DATEPART(hour, timeOnly), DATEPART(minute, timeOnly), DATEPART(second, timeOnly), DATEPART(millisecond, timeOnly))
实现注意事项
在实现这一转换时,开发团队考虑了以下几点重要因素:
-
参数重复问题:这种转换方式会导致参数被多次提取(年、月、日、时、分、秒、毫秒)。当参数是简单列值时没有问题,但如果参数是复杂的标量子查询,会导致子查询被多次执行,影响性能。因此,初步实现中不会对这种情况进行转换。
-
数据库兼容性:目前这一转换仅针对 SQL Server 实现,因为不同数据库系统对日期时间处理的函数差异较大。例如,SQLite 就需要不同的处理方式。
-
测试用例:为了确保转换的正确性,需要添加多种测试场景,包括:
- DateOnly 与常量 TimeOnly 的组合
- DateOnly 与属性 TimeOnly 的组合
- 各种边界条件的测试
实际应用示例
在实际应用中,这种转换可以用于各种查询场景,例如:
// 查询特定日期时间组合的记录
var missions = context.Missions
.Where(m => m.Date.ToDateTime(m.Time) == new DateTime(1990, 11, 10, 10, 15, 50, 500))
.ToList();
// 或者与常量时间组合
var eveningMissions = context.Missions
.Where(m => m.Date.ToDateTime(new TimeOnly(21, 5, 19, 94)) == new DateTime(1990, 11, 10, 21, 5, 19, 94))
.ToList();
总结
这一改进使得 EntityFramework Core 能够更自然地在 LINQ 查询中处理 DateOnly 和 TimeOnly 类型的组合操作,同时保持高效的 SQL 转换。对于使用 SQL Server 作为数据库后端的应用程序,这一特性将大大简化日期时间处理的代码,同时保证查询性能。
随着 .NET 对 DateOnly 和 TimeOnly 类型的推广使用,EntityFramework Core 也在不断完善对这些新型日期时间类型的支持,为开发者提供更加类型安全、语义清晰的日期时间处理方式。
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