Fun.CQRS 1.0.0 版本迁移指南:从旧版本平滑升级
2025-06-02 20:37:45作者:秋阔奎Evelyn
前言
Fun.CQRS 是一个基于 Scala 的 CQRS/ES 框架,1.0.0 版本带来了重大的 API 重构。本文将详细介绍如何将现有应用迁移到这个新版本。虽然内部实现没有变化,但用户接口的改动需要开发者进行相应的代码调整。
迁移概览
1.0.0 版本将分三个阶段发布:
- 里程碑1 (1.0.0-M1)
- 里程碑2 (1.0.0-M2)
- 最终版 (1.0.0)
建议开发者按照里程碑顺序逐步迁移,每个阶段完成后进行测试验证。
1.0.0-M1 迁移要点
1. 移除 AggregateLike 特质
旧版本要求聚合体必须继承 AggregateLike 特质:
case class Foo(n: String) extends AggregateLike
新版本移除了这个限制:
case class Foo(n: String)
但聚合体ID仍需实现 AggregateId 特质。
2. 移除 ProtocolLike 特质
旧版本需要定义协议对象:
object FooProtocol extend ProtocolLike {
sealed trait FooCommand extends ProtocolCommand
sealed trait FooEvent extends ProtocolEvent
}
新版本简化了定义:
sealed trait FooCommand
sealed trait FooEvent
这种改变使得:
- 命令和事件不再与框架强耦合
- 可以自由使用 Protobuf/Avro 等工具生成命令和事件类
3. 移除 Metadata 相关特质
旧版本的元数据处理:
case class FooMetadata(...) extends Metadata
sealed trait FooEvent extends MetadataFacet[FooMetadata]
新版本改为:
case class FooMetadata(...)
sealed trait FooEvent {
def metadata: FooMetadata
// 提供便捷访问方法
final def id = metadata.eventId
// 其他方法...
}
4. 引入 Types 特质
新版本通过 Types 特质来组织类型关系:
object Foo extends Types[Foo] {
type Id = FooId // 必须实现 AggregateId
type Command = FooCommand
type Event = FooEvent
}
推荐在聚合体的伴生对象中实现此特质,这样会自动提供隐式实例。
5. 命令和事件处理器重构
事件处理器
从普通函数改为偏函数:
// 旧
handleEvent { evt: FooEvent => ... }
// 新
eventHandler { case evt: FooEvent => ... }
命令处理器
现在需要显式指定返回类型:
import io.funcqrs.behavior.handlers._
commandHandler {
OneEvent { case cmd: FooCommand => FooEvent(...) }
}
支持多种返回类型包装:
OneEvent/ManyEvents- 直接返回事件maybe.OneEvent/maybe.ManyEvents- Option包装attempt.OneEvent/attempt.ManyEvents- Try包装eventually.OneEvent/eventually.ManyEvents- Future包装
6. Behavior DSL 变更
更明确的链式调用:
// 旧
Behavior {
createActions(...)
} {
case foo => foo.someOtherActions
}
// 新
Behavior
.first { createActions(...) }
.andThen {
case foo => foo.someOtherActions
}
7. 后端配置调整
聚合体引用获取方式变化:
// 旧
backend.aggregateRef[Foo](id)
// 新
backend.aggregateRef[Foo].forId(id)
1.0.0-M2 迁移要点
1. 投影API重构
主要变化:
- 事件查询不再与后端强耦合
- 每个投影需要定义自己的事件源
2. 定义 PublisherFactory
new PublisherFactory[Long, RaffleEvent] {
override def from(offset: Option[Long]): Publisher[(Long, RaffleEvent)] = {
// 实现具体的事件发布逻辑
}
}
3. 投影配置
backend.configure {
projection(
projection = new MyProjection(repo),
publisherFactory = myPublisherFactory,
name = "MyProjection"
)
}
4. 偏移量持久化策略
projection(...)
.withCustomOffsetPersistence(
AkkaOffsetPersistenceStrategy.offsetAsLong(actorSys, "ProjectionName")
)
最佳实践建议
- 逐步迁移:按照里程碑顺序分阶段进行
- 类型安全:充分利用新的Types特质
- 明确性:命令处理器返回类型要显式声明
- 测试验证:每个迁移阶段后进行全面测试
- 自定义扩展:考虑实现自己的偏移量持久化策略
结语
Fun.CQRS 1.0.0 通过API重构,降低了框架侵入性,提高了灵活性和明确性。虽然迁移需要一定工作量,但这些改进为长期维护和扩展奠定了更好的基础。建议开发团队预留足够时间进行迁移和测试,确保系统稳定性。
登录后查看全文
热门项目推荐
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-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
FreeSql功能强大的对象关系映射(O/RM)组件,支持 .NET Core 2.1+、.NET Framework 4.0+、Xamarin 以及 AOT。C#00
热门内容推荐
最新内容推荐
个人知识系统构建指南:从信息碎片到思维网络的模块化解决方案高效解锁网易云音乐灰色歌曲:开源工具全平台部署指南如何高效采集B站评论数据?这款Python工具让数据获取效率提升10倍提升动态视觉体验:Waifu2x-Extension-GUI智能增强与效率提升指南革新性缠论分析工具:系统化构建股票技术指标体系终结AutoCAD字体痛点:FontCenter让99%的字体问题迎刃而解Atmosphere-NX PKG1启动错误解决方案如何用ComfyUI-WanVideoWrapper实现多模态视频生成?解锁AI创作新可能3行代码解锁无水印视频提取:这款开源工具如何让自媒体效率提升300%5分钟上手!零代码打造专业拓扑图的免费工具
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
655
4.25 K
deepin linux kernel
C
27
14
Ascend Extension for PyTorch
Python
498
604
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
390
282
🎉 (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
1.53 K
889
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++
938
859
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.07 K
557
暂无简介
Dart
902
217
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
132
207
AscendNPU-IR是基于MLIR(Multi-Level Intermediate Representation)构建的,面向昇腾亲和算子编译时使用的中间表示,提供昇腾完备表达能力,通过编译优化提升昇腾AI处理器计算效率,支持通过生态框架使能昇腾AI处理器与深度调优
C++
124
195