Spring Data JPA中DeclaredQuery重构:解耦查询定义与自省状态
在Spring Data JPA的持续演进中,开发团队对DeclaredQuery进行了重要重构,核心目标是解耦查询定义与其自省(introspection)状态。这一改进源于对查询处理流程的深度优化需求,特别是在#2989问题的后续处理中发现的架构改进机会。
重构背景
DeclaredQuery原本承担着双重职责:
- 维护查询的基本属性(查询字符串、原生查询类型)
- 管理自省后的状态(别名信息、构造函数表达式使用情况等)
这种设计导致查询创建过程与自省逻辑高度耦合,使得QueryEnhancerFactory难以被外部化配置。随着项目复杂度提升,这种耦合性限制了框架的扩展性和灵活性。
重构方案
新设计采用清晰的职责分离原则:
-
查询定义层
保留原始查询字符串和原生查询类型等静态属性,这些是查询的固有特征,与运行时无关。 -
自省状态层
将运行时解析得到的元数据(如别名映射、参数绑定方式等)剥离为独立结构,形成真正的"自省结果"对象。
这种分离带来了显著的架构优势:
- 查询定义可被安全地缓存和复用
- 自省过程可延迟执行或按需执行
- 增强器工厂(QueryEnhancerFactory)可灵活替换
技术实现要点
实现过程中主要涉及以下关键修改:
-
状态对象提取
创建新的IntrospectionResult类型承载所有动态解析属性,与静态查询定义形成组合关系。 -
懒加载机制
自省过程改为按需触发,避免不必要的解析开销,特别对于预定义的命名查询。 -
工厂接口标准化
定义清晰的QueryEnhancer创建接口,支持通过SPI或显式配置注入自定义实现。
对使用者的影响
这一重构对大多数用户透明,但为高级用户带来新能力:
-
自定义查询处理
通过实现自己的QueryEnhancerFactory,可以介入查询解析过程,例如添加特殊的参数转换逻辑。 -
性能优化
对于已知不会使用某些自省特性的查询场景,可以配置轻量级解析策略。 -
测试便利性
模拟查询行为时不再需要完整自省流程,只需提供必要的查询定义属性。
最佳实践建议
基于新架构,推荐以下实践方式:
- 对于简单查询,继续使用原有声明方式
- 需要深度定制时,考虑实现
QueryEnhancer接口 - 在性能敏感场景,评估延迟自省的可行性
- 共享查询定义时,确保自省结果的线程安全性
这一重构体现了Spring Data项目持续优化架构设计的理念,为后续的功能扩展奠定了更健康的基础。开发者现在可以更灵活地控制查询生命周期,同时享受更清晰的关注点分离带来的维护便利性。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
yuanrongopenYuanrong runtime:openYuanrong 多语言运行时提供函数分布式编程,支持 Python、Java、C++ 语言,实现类单机编程高性能分布式运行。Go051
pc-uishopTNT开源商城系统使用java语言开发,基于SpringBoot架构体系构建的一套b2b2c商城,商城是满足集平台自营和多商户入驻于一体的多商户运营服务系统。包含PC 端、手机端(H5\APP\小程序),系统架构以及实现案例中应满足和未来可能出现的业务系统进行对接。Vue00
ebook-to-mindmapepub、pdf 拆书 AI 总结TSX01