GRDB.swift 中实现 hasManyThrough 关联查询的最佳实践
2025-05-30 18:51:42作者:傅爽业Veleda
引言
在 iOS 开发中,处理复杂的数据关系是常见的需求。GRDB.swift 作为一个强大的 SQLite 封装库,提供了优雅的方式来处理数据库关系。本文将深入探讨如何使用 GRDB.swift 实现 hasManyThrough 这种多对多关联关系的数据查询。
数据模型设计
我们以一个音乐应用为例,其中包含三种核心数据模型:
- 歌曲模型(ChordproSong):表示基本的歌曲信息
- 歌单模型(CCSet):用户可以创建的歌单集合
- 歌单项模型(CCSetItem):作为关联表,连接歌单和歌曲
这种设计实现了多对多关系:一个歌单可以包含多首歌曲,一首歌曲可以属于多个歌单。此外,CCSetItem 还存储了歌曲在特定歌单中的排序位置和自定义音阶信息。
关联关系定义
在 GRDB.swift 中,我们这样定义模型间的关联:
// 歌单模型扩展
extension CCSet: EncodableRecord, FetchableRecord, MutablePersistableRecord, TableRecord {
static let items = hasMany(CCSetItem.self).forKey("items")
static let songs = hasMany(ChordproSong.self, through: items, using: CCSetItem.song).forKey("songs")
}
// 歌单项模型扩展
extension CCSetItem: TableRecord, FetchableRecord, EncodableRecord, MutablePersistableRecord {
static let song = belongsTo(ChordproSong.self).forKey("song")
static let ccset = belongsTo(CCSet.self).forKey("ccset")
}
查询实现
要实现查询歌单及其包含的所有歌曲信息,我们需要构建一个复合查询。GRDB.swift 提供了 including 方法来实现这种关联查询。
方法一:嵌套模型查询
struct CCSetWithSongs: FetchableRecord, Decodable, Identifiable {
struct ItemWithSong: Decodable, Hashable {
var item: CCSetItem
var song: ChordproSong
}
var ccset: CCSet
var items: [ItemWithSong]
var songs: [ChordproSong] { items.map(\.song) }
}
let observation = ValueObservation.tracking { db in
return try CCSet
.including(all: CCSet.items
.including(required: CCSetItem.song)
)
.asRequest(of: CCSetWithSongs.self)
.fetchAll(db)
}
方法二:自定义键名查询
struct CCSetWithSongs: FetchableRecord, Decodable, Identifiable {
struct ItemWithSong: Decodable, Hashable {
var item: CCSetItem
var song: ChordproSong
}
var ccset: CCSet
var itemWithSongs: [ItemWithSong]
var items: [CCSetItem] { itemWithSongs.map(\.item) }
var songs: [ChordproSong] { itemWithSongs.map(\.song) }
}
let observation = ValueObservation.tracking { db in
return try CCSet
.including(all: CCSet.items
.including(required: CCSetItem.song)
.forKey("itemWithSongs")
)
.asRequest(of: CCSetWithSongs.self)
.fetchAll(db)
}
关键点解析
-
关联查询构建:使用
including(all:)方法加载所有关联项,再通过including(required:)加载更深层次的关联。 -
结果模型设计:创建专门的结构体来承载查询结果,嵌套结构体能准确反映数据关系。
-
计算属性:通过计算属性提供便捷访问方式,如直接获取所有歌曲列表。
-
键名映射:可以使用
forKey方法自定义结果中的键名,提高代码可读性。
常见问题解决
在实现过程中,开发者可能会遇到以下错误:
DecodingError.keyNotFound(CodingKeys(stringValue: "song", intValue: nil)
这通常是由于查询构建方式与结果模型不匹配导致的。解决方法包括:
- 确保使用
including(required:)而不是joining(required:)来加载关联模型 - 检查结果模型中的属性名是否与查询中的键名一致
- 验证所有必需的关联关系都已正确定义
总结
GRDB.swift 提供了强大的工具来处理复杂的数据关系。通过合理设计数据模型和查询方式,我们可以优雅地实现多对多关系的查询需求。关键在于:
- 正确定义模型间的关联关系
- 构建与数据结构匹配的查询请求
- 设计能够准确反映查询结果的模型结构
掌握这些技巧后,开发者可以高效地处理各种复杂的数据查询场景,为应用提供强大的数据支持。
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
HunyuanVideo-1.5暂无简介00
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-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
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
Ascend Extension for PyTorch
Python
182
196
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++
648
265
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
274
94
暂无简介
Dart
623
140
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
380
3.41 K
React Native鸿蒙化仓库
JavaScript
242
315
🎉 (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
1.1 K
621
仓颉编译器源码及 cjdb 调试工具。
C++
126
856
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