Dapper 多表关联查询与对象映射技巧
2025-05-12 12:13:51作者:瞿蔚英Wynne
概述
在使用Dapper进行数据库操作时,经常会遇到需要将多个关联表的数据映射到复杂对象结构中的场景。本文将通过一个典型示例,详细介绍如何使用Dapper高效地实现这种多表关联查询和对象映射。
典型场景分析
假设我们有以下业务模型:
- 用户(User)信息
- 产品(Product)信息
- 订单(Order)信息,其中包含用户信息和产品列表
对应的C#类定义如下:
public class User
{
public int Id { get; set; }
public string FirstName { get; set; }
public string LastName { get; set; }
}
public class Product
{
public int Id { get; set; }
public string Name { get; set; }
public string Description { get; set; }
public decimal Price { get; set; }
}
public class Order
{
public int Id { get; set; }
public DateTime OrderDate { get; set; }
public User Customer { get; set; }
public IEnumerable<Product> Products { get; set; }
}
Dapper多表查询解决方案
方案一:使用QueryMultiple方法
Dapper提供了QueryMultiple方法,可以执行包含多个结果集的查询:
var sql = @"
SELECT * FROM Orders WHERE Id = @id;
SELECT * FROM Users WHERE Id = (SELECT UserId FROM Orders WHERE Id = @id);
SELECT p.* FROM Products p
INNER JOIN OrderProducts op ON p.Id = op.ProductId
WHERE op.OrderId = @id;
";
using (var multi = connection.QueryMultiple(sql, new { id }))
{
var order = multi.Read<Order>().Single();
order.Customer = multi.Read<User>().Single();
order.Products = multi.Read<Product>().ToList();
return order;
}
方案二:使用多映射(Query with Multi-Mapping)
Dapper支持通过Query方法实现多表映射:
var sql = @"
SELECT o.*, u.*, p.*
FROM Orders o
INNER JOIN Users u ON o.UserId = u.Id
INNER JOIN OrderProducts op ON o.Id = op.OrderId
INNER JOIN Products p ON op.ProductId = p.Id
WHERE o.Id = @id
";
var orderDictionary = new Dictionary<int, Order>();
var order = connection.Query<Order, User, Product, Order>(
sql,
(o, u, p) =>
{
if (!orderDictionary.TryGetValue(o.Id, out var orderEntry))
{
orderEntry = o;
orderEntry.Customer = u;
orderEntry.Products = new List<Product>();
orderDictionary.Add(orderEntry.Id, orderEntry);
}
((List<Product>)orderEntry.Products).Add(p);
return orderEntry;
},
new { id },
splitOn: "Id,Id" // 指定分割列
).Distinct().Single();
方案三:使用JSON聚合(PostgreSQL/MySQL)
对于支持JSON功能的数据库,可以使用JSON聚合:
var sql = @"
SELECT
o.*,
u.*,
(SELECT json_agg(p.*)
FROM Products p
INNER JOIN OrderProducts op ON p.Id = op.ProductId
WHERE op.OrderId = o.Id) AS Products
FROM Orders o
INNER JOIN Users u ON o.UserId = u.Id
WHERE o.Id = @id
";
var order = connection.Query<Order>(sql, new { id }).Single();
性能优化建议
- 索引优化:确保关联字段(UserId, ProductId等)有适当的索引
- 分页处理:对于大数据量结果集,考虑实现分页
- 延迟加载:对于不常用的关联数据,可以考虑延迟加载策略
- 缓存策略:对频繁访问但不常变化的数据实施缓存
常见问题解决
- 列名冲突:使用AS关键字为列指定别名
- 空值处理:使用Dapper的
DefaultValue特性或自定义类型转换器 - 循环引用:在JSON序列化时配置忽略循环引用
总结
Dapper提供了多种方式来处理复杂对象关系的映射,开发者可以根据具体场景选择最适合的方案。对于简单关系,多映射方法简洁高效;对于复杂关系,QueryMultiple方法提供了更好的灵活性;而JSON聚合则在支持该功能的数据库中提供了极简的解决方案。
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
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-7BSpark-Prover-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
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-7BSpark-Formalizer-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.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- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile014
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
最新内容推荐
MQTT客户端软件源代码:物联网开发的强大工具与最佳实践指南 Visual Studio 2015企业版中文版下载安装完全指南 - 专业开发工具必备资源 操作系统概念第六版PDF资源全面指南:适用场景与使用教程 开源电子设计自动化利器:KiCad EDA全方位使用指南 海能达HP680CPS-V2.0.01.004chs写频软件:专业对讲机配置管理利器 CVE-2024-38077伪代码修复版EXP资源详解:Windows远程桌面授权服务问题利用指南 高效汇编代码注入器:跨平台x86/x64架构的终极解决方案 Python开发者的macOS终极指南:VSCode安装配置全攻略 小米Mini R1C MT7620爱快固件下载指南:解锁企业级网络管理功能 Solidcam后处理文件下载与使用完全指南:提升CNC编程效率的必备资源
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
299
2.65 K
Ascend Extension for PyTorch
Python
130
152
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++
608
196
React Native鸿蒙化仓库
JavaScript
229
307
暂无简介
Dart
592
129
🎉 (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
1.05 K
612
仓颉编译器源码及 cjdb 调试工具。
C++
122
511
本项目是CANN提供的是一款高效、可靠的Transformer加速库,基于华为Ascend AI处理器,专门为Transformer模型的训练和推理而设计。
C++
48
77
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
181
67
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
1.02 K
457