Ecto中`:writable`选项在`:insert`模式下的行为解析
2025-06-03 21:25:10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
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
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
Spark-Prover-7BSpark-Prover 是由科大讯飞团队开发的专用大型语言模型,专为 Lean4 中的自动定理证明而设计。该模型采用创新的三阶段训练策略,显著增强了形式化推理能力,在同等规模的开源模型中实现了最先进的性能。Python00
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-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
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
项目优选
收起
deepin linux kernel
C
24
7
暂无简介
Dart
614
138
Ascend Extension for PyTorch
Python
163
183
React Native鸿蒙化仓库
JavaScript
240
314
仓颉编译器源码及 cjdb 调试工具。
C++
126
854
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
369
3.15 K
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
255
90
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
475
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
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++
644
255