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。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00