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。
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