在Postgres.js中使用LIKE语句进行动态模糊查询
Postgres.js是一个流行的Node.js PostgreSQL客户端库,它提供了强大的SQL模板标签功能。在实际开发中,我们经常需要使用LIKE语句进行模糊查询,特别是当需要根据部分字符串匹配记录时。
问题背景
在使用Postgres.js时,开发者尝试执行一个包含LIKE条件的查询,目的是根据订单ID的前缀和PIN码查找订单记录。原始查询如下:
sql`
SELECT *
FROM orders
WHERE id LIKE '${order_id}%' AND pin=${pin};
`
这个查询会导致PostgreSQL报错:"could not determine data type of parameter $1",表明数据库无法确定第一个参数的数据类型。
问题分析
这个错误的发生是因为Postgres.js在解析SQL模板字符串时,会将所有插值变量作为参数化查询的参数发送到数据库。当LIKE条件中的模式字符串(包含通配符%)被放在引号内时,数据库无法正确解析参数类型。
解决方案
正确的做法是将通配符%直接附加到变量值上,而不是放在SQL字符串中。修改后的查询如下:
sql`
SELECT *
FROM orders
WHERE id LIKE ${order_id + '%'} AND pin=${pin}
`
这种写法有以下几个优点:
- 保持了参数化查询的安全性,防止SQL注入
- 让数据库能够正确推断参数类型
- 代码更加清晰,逻辑集中在JavaScript部分
深入理解
Postgres.js的sql模板标签会自动将插值变量转换为参数化查询的参数。当我们在SQL字符串中使用引号包裹变量时,实际上破坏了这种机制,导致数据库无法正确解析参数类型。
在PostgreSQL中,LIKE操作符通常与通配符%一起使用,表示匹配任意数量的字符(包括零个字符)。将通配符直接附加到变量值上,可以确保:
- 查询计划能够正确优化
- 参数类型推断正常工作
- 查询逻辑更加明确
最佳实践
在使用Postgres.js进行模糊查询时,建议:
- 始终将通配符作为变量值的一部分处理
- 避免在SQL字符串模板中直接拼接通配符
- 对于复杂的模式匹配,考虑在JavaScript中构建完整的模式字符串
- 对于大量数据,考虑使用索引优化LIKE查询性能
性能考虑
当使用前缀匹配(如'abc%')时,PostgreSQL可以利用适当的索引(如btree索引)。但如果使用后缀匹配(如'%abc')或包含匹配(如'%abc%'),标准btree索引将无法使用,这时可以考虑使用pg_trgm扩展或专门的全文搜索功能。
通过遵循这些原则,开发者可以构建既安全又高效的模糊查询,充分利用Postgres.js和PostgreSQL的强大功能。
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