JeecgBoot框架中实现表主键自增的增强方案
背景介绍
在JeecgBoot框架中,默认情况下通过online表单功能创建的表会使用UUID作为主键类型。这种设计虽然能保证全局唯一性,但在某些业务场景下并不理想,特别是当业务需要更直观、更易读的数字自增ID时。本文将介绍如何在JeecgBoot框架中通过Java增强功能实现表主键的自增特性。
问题分析
JeecgBoot框架的online表单功能默认生成String类型的UUID主键,这带来了几个问题:
- 可读性差:UUID是一串无意义的字符,不利于人工识别和记忆
- 排序不便:UUID无法按自然顺序排序
- 业务需求:某些业务场景需要连续的数字ID
解决方案
我们可以利用JeecgBoot提供的CgformEnhanceJavaInter接口来实现插入数据时的主键自增功能。该接口允许开发者在数据插入前后执行自定义逻辑。
实现原理
- 创建一个实现CgformEnhanceJavaInter接口的类
- 在execute方法中查询当前表的最大ID值
- 将最大ID值加1后设置为新记录的ID
- 通过配置指定哪些表需要此功能
核心代码实现
@Component("CgformEnhanceInsertSetId")
public class CgformEnhanceInsertSetId implements CgformEnhanceJavaInter {
// 定义需要自增ID的表名映射
private static final Map<String, Integer> predefinedMap;
// 静态初始化块,配置需要自增ID的表
static {
predefinedMap = new HashMap<>();
predefinedMap.put("库名.表名", 1); // 对应online表单开发中设置的"表名"
// 可以添加更多需要自增ID的表
}
@Autowired
private JdbcTemplate jdbcTemplate;
@Override
public void execute(String tableName, JSONObject json) throws BusinessException {
// 检查当前表是否配置了自增ID
if(predefinedMap.containsKey(tableName)) {
// 查询当前表的最大ID值
String sql = "SELECT COALESCE(MAX(id), 0) FROM " + tableName;
Long maxId = jdbcTemplate.queryForObject(sql, Long.class);
if (maxId != null) {
// 设置新记录的ID为最大ID+1
json.put("id", ++maxId);
}
}
}
}
实现细节解析
-
表名映射配置:通过predefinedMap静态变量配置需要自增ID的表,键为表名,值可以是任意整数(这里用作标记)
-
最大ID查询:使用JdbcTemplate执行SQL查询当前表的最大ID值,COALESCE函数确保当表为空时返回0
-
ID自增逻辑:将查询到的最大ID值加1后设置为新记录的ID
-
线程安全考虑:在高并发环境下,这种实现可能存在并发问题,需要根据业务场景评估是否需要额外处理
扩展与优化
-
分布式环境支持:在分布式系统中,可以考虑使用分布式ID生成器如雪花算法
-
性能优化:对于高频插入的表,可以缓存当前最大ID值,减少数据库查询
-
异常处理:增强异常处理逻辑,确保在表结构变更等情况下系统能正常处理
-
配置化:可以将表名映射配置移到配置文件中,实现更灵活的配置
使用建议
-
此方案适用于中小型系统或并发不高的场景
-
对于核心业务表,建议评估并发风险并考虑使用更健壮的ID生成方案
-
在分库分表场景下,需要采用其他ID生成策略
-
实施前应充分测试,确保与现有业务逻辑兼容
通过这种增强实现,开发者可以在保持JeecgBoot框架原有功能的同时,灵活地满足业务对自增ID的需求,平衡了框架规范与业务实际需要之间的矛盾。
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