Ecto中`:writable`选项在`:insert`模式下的行为解析
2025-06-03 08:45:52作者:江焘钦
背景介绍
在使用Ecto ORM框架进行数据库操作时,我们经常需要控制某些字段的可写性。Ecto提供了:writable选项来定义字段的写入权限,其中:writable: :insert表示该字段只能在插入操作时被写入,后续更新操作中应该被忽略。
问题现象
开发者发现当使用:writable: :insert选项定义字段后,在更新操作中该字段仍然可以被修改。具体表现为:
- 定义了一个带有
:writable: :insert选项的字段 - 在更新操作中尝试修改该字段
- 更新操作成功返回,且返回的结构体中显示字段已被修改
技术分析
实际上,这是一个理解上的误区。Ecto的行为是:
- 数据库层面确实忽略了该字段的更新(通过检查数据库确认)
- 但返回的结构体仍然包含用户尝试修改的值
- 这是因为Ecto默认不会从数据库重新读取所有字段
解决方案
有三种方式可以解决这个问题:
方案一:使用不同的changeset
为插入和更新操作分别定义不同的changeset函数,在更新changeset中不包含只允许插入的字段。
def insert_changeset(account, attrs) do
account
|> cast(attrs, [:firebase_uid, :deactivated_at])
|> validate_required([:firebase_uid])
end
def update_changeset(account, attrs) do
account
|> cast(attrs, [:deactivated_at])
end
方案二:使用:returning选项
在Repo.update调用中显式设置:returning: true,强制从数据库重新读取所有字段:
Repo.update(changeset, returning: true)
方案三:等待Ecto修复
Ecto团队已经确认这是一个需要改进的行为,未来版本可能会自动过滤掉不可写字段的更新。
最佳实践建议
目前推荐使用方案一(不同的changeset)作为临时解决方案,因为:
- 它更明确地表达了业务意图
- 不依赖数据库的特定行为
- 性能更好(不需要额外的数据库读取)
深入理解Ecto的更新机制
理解这个问题需要了解Ecto的几个关键设计:
- Changeset原则:Ecto通过changeset来跟踪和验证变更,但changeset本身不强制数据库约束
- 部分更新:Ecto默认只发送实际变更的字段到数据库
- 返回策略:默认情况下,Ecto不会重新读取所有字段,而是合并数据库返回的字段和用户提供的值
总结
Ecto的:writable选项在:insert模式下目前存在行为与预期不符的情况,但通过理解Ecto的工作机制,我们可以采用适当的解决方案。这个问题也提醒我们,在使用ORM框架时,不仅要了解表面API,还需要深入理解其背后的数据流和状态管理机制。
对于需要严格控制字段写入权限的场景,显式地使用不同的changeset是目前最可靠的方式。随着Ecto框架的演进,这个问题有望得到更优雅的解决。
登录后查看全文
热门项目推荐
相关项目推荐
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00
项目优选
收起
暂无描述
Dockerfile
675
4.32 K
deepin linux kernel
C
28
16
Ascend Extension for PyTorch
Python
517
627
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++
947
886
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
398
302
🎉 (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
1.56 K
909
暂无简介
Dart
920
228
Oohos_react_native
React Native鸿蒙化仓库
C++
335
381
昇腾LLM分布式训练框架
Python
142
169
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
133
212