FreeSql中WithTempQuery嵌套查询参数传递问题解析
在使用FreeSql进行复杂查询时,开发者经常会遇到需要嵌套子查询的场景。本文将以一个典型问题为例,深入分析WithTempQuery方法中参数传递的机制,帮助开发者理解并避免类似问题。
问题现象
在FreeSql的WithTempQuery方法中嵌套使用Select查询时,外部作用域的变量参数无法正确传递到内部查询中。具体表现为:外部定义的start和end变量在内部Select查询中被识别为新的参数(@exp_4和@exp_5),但这些参数未被正确赋值。
代码示例分析
以下是一个典型的出现问题的查询示例:
var start = 2023;
var end = 2023;
var res = await Db.Value.Select<MemberCoiHistoryModel>()
.Where(x => x.Date >= start && x.Date < end && x.Type == CoiType.New && x.State == CoiState.平稳)
.GroupBy(x => x.MemberId)
.WithTempQuery(x => new
{
MemberId = x.Key,
ScanSum = Db.Value.Select<MemberActionDayCountModel>()
.Where(y => y.MemberId == x.Key && y.Date >= start && y.Date < end)
.Sum(y => y.ScanCode)
})
.ToAggregateAsync(x => new
{
MemberCount = x.Count(),
ScanSum = x.Sum(x.Key.ScanSum)
});
生成的SQL问题
生成的SQL中,外部查询的参数(@exp_0到@exp_3)被正确传递,但内部查询的参数(@exp_4和@exp_5)却未被赋值:
SELECT count(1) as1, sum(a.[ScanSum]) as2
FROM (
SELECT a.[MemberId], isnull((SELECT sum(y.[ScanCode])
FROM [scrm_member_action_day_count] y With(NoLock)
WHERE (y.[MemberId] = a.[MemberId] AND y.[Date] >= @exp_4 AND y.[Date] < @exp_5)), 0) [ScanSum]
FROM [scrm_member_coi_history] a With(NoLock)
WHERE (a.[Date] >= @exp_0 AND a.[Date] < @exp_1 AND a.[Type] = @exp_2 AND a.[State] = @exp_3)
GROUP BY a.[MemberId] ) a
问题根源
这个问题的本质在于FreeSql在处理嵌套查询时,参数作用域的传递机制存在缺陷。当在WithTempQuery内部创建新的Select查询时,外部作用域的参数无法自动传递到内部查询中。
解决方案
针对这个问题,开发者可以采取以下几种解决方案:
-
使用相同的参数对象:确保内外查询引用的是同一个参数对象,而不是创建新的参数。
-
显式传递参数:将需要共享的参数提取为类成员变量或静态变量,确保在嵌套查询中能够访问。
-
重构查询结构:考虑将嵌套查询拆分为多个步骤,避免复杂的嵌套关系。
最佳实践建议
-
对于复杂的嵌套查询,建议先进行测试,验证参数传递是否正确。
-
在开发过程中,可以通过打印生成的SQL来检查参数传递情况。
-
考虑将频繁使用的查询参数封装为DTO或专门的查询对象,提高代码的可维护性。
-
对于特别复杂的查询,可以考虑使用存储过程或视图来简化应用层代码。
总结
FreeSql作为一款强大的ORM框架,在处理复杂查询时提供了丰富的功能。理解其参数传递机制对于编写高效、可靠的查询至关重要。通过本文的分析,开发者可以更好地掌握WithTempQuery方法的使用技巧,避免在实际开发中遇到类似的参数传递问题。
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