Ecto 项目中软删除功能的深度解析与实现方案
2025-06-03 17:56:22作者:田桥桑Industrious
软删除的概念与价值
在数据库设计中,软删除(Soft Delete)是一种常见的数据管理策略,它通过标记记录为"已删除"而非实际从数据库中移除数据来实现删除操作。这种技术在现代应用开发中具有多重优势:
- 数据恢复能力:允许管理员在误操作后恢复重要数据
- 审计追踪:保留完整的历史记录,满足合规性要求
- 关联数据完整性:维护外键关系不受删除操作影响
- 数据分析:保留历史数据用于业务分析和报表生成
PostgreSQL 实现软删除的技术方案
在 PostgreSQL 数据库中,可以通过组合使用规则(RULE)和视图(VIEW)来实现优雅的软删除机制:
数据库规则实现
通过创建 INSTEAD OF 规则,我们可以将 DELETE 操作转换为 UPDATE 操作:
CREATE OR REPLACE RULE "phx_sync_soft_deletion" AS ON DELETE TO "items"
DO INSTEAD UPDATE items SET _deleted_at = NOW() WHERE id = OLD.id RETURNING OLD.*;
这条规则会在执行删除操作时自动转换为更新操作,将 _deleted_at 字段设置为当前时间戳,而非真正删除记录。
安全视图设计
为了在应用层自动过滤已删除的记录,我们可以创建专门的视图:
CREATE OR REPLACE VIEW visible_items AS
SELECT * FROM items WHERE _deleted_at IS NULL
这个视图只包含未被软删除的记录,简化了应用层的查询逻辑。
Ecto 集成方案与挑战
基础集成方法
在 Ecto 中,我们可以通过修改 schema 定义来使用上述视图:
schema "visible_items" do
# 字段定义
end
这种方式确保了默认查询只返回有效记录。当需要访问所有记录(包括已删除的)时,可以使用 Repo.all({"items", Item}) 语法。
技术挑战与解决方案
在实现过程中,开发团队发现了一个关键的技术挑战:由于 DELETE 操作被转换为 UPDATE,PostgreSQL 会返回零行受影响,导致 Ecto 默认抛出 Ecto.StaleEntryError。
Ecto 核心团队经过讨论后,决定通过引入 :allow_stale 选项来解决这个问题:
Repo.delete(item, allow_stale: true)
这个方案被选择是因为:
- 明确表达了意图,代码可读性高
- 保持了向后兼容性
- 避免了潜在的混淆和误用
高级实现考量
性能优化建议
- 为
_deleted_at字段添加索引,提高视图查询效率 - 考虑使用部分索引(Partial Index)只索引未删除的记录
- 对于大型表,可以考虑分区策略,将已删除记录移至单独的表空间
事务一致性保障
在实现软删除时,需要特别注意:
- 确保规则和视图的创建在事务中完成
- 考虑添加触发器来维护相关数据的完整性
- 实现级联软删除逻辑时,需要精心设计业务规则
替代方案比较
除了数据库层的实现,Ecto 还支持应用层实现软删除:
- 使用
prepare_query/3回调自动添加过滤条件 - 定义自定义查询宏来简化软删除查询
- 实现领域特定语言(DSL)来表达软删除语义
数据库层实现的优势在于:
- 性能更好,过滤发生在数据库端
- 安全性更高,防止遗漏过滤条件
- 跨应用一致性,所有访问数据库的应用都遵循相同规则
最佳实践建议
- 明确文档记录软删除策略,确保团队共识
- 实现定期清理真正删除过期记录的维护任务
- 考虑添加删除原因字段,增强审计能力
- 为管理员提供专门的界面管理已删除记录
- 在 API 设计中明确区分软删除和硬删除操作
通过这套完整的实现方案,开发者可以在 Ecto 应用中构建出健壮、高效的软删除功能,同时保持代码的清晰性和可维护性。
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