Linq2DB 中执行原生 SQL 查询的最佳实践
2025-06-26 10:23:15作者:明树来
背景介绍
Linq2DB 是一个轻量级的 ORM 框架,提供了比 Entity Framework 更灵活的查询能力。在实际开发中,我们有时需要执行原生 SQL 查询,特别是当需要使用数据库特有的函数时。
原生 SQL 查询的几种方式
1. 使用 Execute 方法执行标量查询
对于简单的标量查询,可以使用 Execute 方法:
var ipremoteaddr = "192.168.0.1";
var inetAton = db.Execute<long>("SELECT INET_ATON('{ipremoteaddr}') AS Value");
这种方式简单直接,但需要注意字符串拼接可能导致 SQL 注入风险。
2. 使用 FromSql 方法(推荐)
对于更复杂的查询,特别是需要返回实体类型的场景,推荐使用 FromSql 方法:
var result = db.FromSql<MyResultType>("SELECT INET_ATON({0}) AS Value", ipremoteaddr)
.FirstOrDefault();
这种方式支持参数化查询,更安全,且可以与 LINQ 查询组合使用。
3. 自定义数据库函数映射
对于常用的数据库函数,可以创建 C# 方法映射:
[Sql.Function("INET_ATON", ServerSideOnly = true)]
public static long InetAton(string ipAddress)
{
throw new InvalidOperationException("This method should only be called in LINQ queries");
}
// 使用方式
var inetAton = db.Select(() => InetAton(ipremoteaddr));
这种方式既保持了类型安全,又能利用数据库特有功能。
常见问题与解决方案
1. 参数化查询问题
当使用字符串插值(FormattableString)时,可能会遇到参数解析错误。这是已知问题,将在下一个版本修复。目前建议使用明确的参数占位符(如 {0})或自定义函数映射。
2. 标量查询与实体查询
- 标量查询:使用
Execute或Select方法 - 实体查询:使用
FromSql方法返回 IQueryable
3. 数据库特有函数
对于 MySQL 的 INET_ATON 等特有函数,最佳实践是创建映射函数,而不是直接写 SQL。这样代码更可维护,且能利用 LINQ 的编译时检查。
性能考虑
- 对于高频调用的数据库函数,映射方式比原生 SQL 更高效
- 复杂查询使用
FromSql可以更好地利用 LINQ 的延迟执行特性 - 标量查询使用
Execute最为轻量级
总结
Linq2DB 提供了多种执行原生 SQL 的方式,开发者应根据具体场景选择:
- 简单标量查询:
Execute方法 - 复杂查询或需要组合 LINQ:
FromSql方法 - 常用数据库函数:自定义映射函数
通过合理选择查询方式,可以在保持代码安全性和可维护性的同时,充分利用数据库的特有功能。
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
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-X1-7BSpark-Prover-X1-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
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-X1-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.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- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile015
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
306
2.7 K
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
140
170
暂无简介
Dart
598
131
React Native鸿蒙化仓库
JavaScript
235
309
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++
634
232
仓颉编译器源码及 cjdb 调试工具。
C++
123
738
🎉 (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
1.06 K
616
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
199
74
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
460