Jeecg-Boot项目中手写SQL与实体类字段映射问题解析
2025-05-02 16:17:15作者:滑思眉Philip
在使用Jeecg-Boot 3.7.2版本开发过程中,开发者在查询权限数据时遇到了字段映射错误的问题。本文将深入分析这一问题的成因、解决方案以及相关的技术原理。
问题现象
当开发者执行权限查询操作时,返回结果中部分字段值出现错误或为空。通过检查发现,这是由于在手写SQL语句中直接使用了实体类的@TableField注解值作为查询字段名,而实际上应该使用数据库表的真实字段名。
问题根源分析
-
MyBatis映射机制:MyBatis在执行SQL查询时,默认会将查询结果集的列名与返回类型的属性名进行匹配映射。
-
注解使用误区:
@TableField是MyBatis-Plus提供的注解,主要用于实体类与数据库表字段的映射配置,但在手写SQL中直接使用这些注解值会导致映射失败。 -
ResultType与ResultMap区别:
resultType:直接指定返回类型,依赖自动映射resultMap:使用预定义的映射规则,可以精确控制字段映射
解决方案
针对这个问题,有以下两种解决方案:
方案一:使用resultMap(推荐)
<select id="queryByUser" resultMap="SysPermission">
<!-- SQL语句 -->
</select>
这种方式利用了预定义的SysPermission映射规则,可以确保字段正确映射。
方案二:修正SQL字段名
确保SQL语句中使用的是数据库表实际的字段名,而不是实体类的属性名或@TableField值:
<select id="queryByUser" resultType="org.jeecg.modules.system.entity.SysPermission">
SELECT
id,
parent_id,
name,
<!-- 其他数据库字段 -->
FROM sys_permission
<!-- 查询条件 -->
</select>
最佳实践建议
-
保持一致性原则:在手写SQL时,始终使用数据库表实际的字段名。
-
复杂查询使用resultMap:对于包含关联查询或字段转换的复杂SQL,建议使用
resultMap进行显式映射。 -
文档化映射关系:在团队协作中,建议维护实体类与数据库字段的映射文档。
-
自动化测试验证:编写单元测试验证查询结果的字段映射是否正确。
技术延伸
理解MyBatis的自动映射行为非常重要:
- 默认情况下,MyBatis会尝试将结果集的列名转换为Java属性名(驼峰命名)
- 当列名包含下划线时(如
parent_id),会自动映射到驼峰属性名(如parentId) - 使用
@TableField注解可以覆盖默认的映射规则
通过本文的分析,开发者可以更好地理解Jeecg-Boot项目中SQL查询的字段映射机制,避免类似问题的发生,提高开发效率。
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
最新内容推荐
MQTT 3.1.1协议中文版文档:物联网开发者的必备技术指南 Solidcam后处理文件下载与使用完全指南:提升CNC编程效率的必备资源 Python案例资源下载 - 从入门到精通的完整项目代码合集 TortoiseSVN 1.14.5.29465 中文版:高效版本控制的终极解决方案 CrystalIndex资源文件管理系统:高效索引与文件管理的最佳实践指南 QT连接阿里云MySQL数据库完整指南:从环境配置到问题解决 Windows Server 2016 .NET Framework 3.5 SXS文件下载与安装完整指南 Python开发者的macOS终极指南:VSCode安装配置全攻略 瀚高迁移工具migration-4.1.4:企业级数据库迁移的智能解决方案 STM32到GD32项目移植完全指南:从兼容性到实战技巧
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
223
246
暂无简介
Dart
672
157
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++
663
313
React Native鸿蒙化仓库
JavaScript
262
324
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
🎉 (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
1.2 K
655
🔥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
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
218
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
330
137