SQLDelight Native驱动中UPDATE RETURNING语法处理问题解析
问题背景
SQLDelight是一个流行的跨平台SQL数据库访问库,它通过编译时生成类型安全的Kotlin代码来简化数据库操作。在2.0.2版本中,当使用NativeSqliteDriver执行带有RETURNING子句的UPDATE语句时,会出现SQLITE_READONLY错误。
技术原理分析
UPDATE RETURNING语法是SQLite 3.35.0引入的特性,它允许UPDATE语句在执行修改操作的同时返回被修改的行数据。这种语法在需要获取修改后数据的场景中非常有用,可以避免额外的查询操作。
在SQLDelight的Native驱动实现中,NativeSqliteDriver继承自ConnectionWrapper,其executeQuery方法默认将操作标记为只读(readonly=true)。这种设计对于纯查询操作是合理的,但对于UPDATE RETURNING这种混合操作就不适用了。
问题根源
问题的核心在于NativeSqliteDriver对SQL语句的处理逻辑不够完善。当前的实现简单地根据SQL语句是否以SELECT开头来判断是否为只读操作,而没有考虑到UPDATE/DELETE/INSERT等DML语句可能带有RETURNING子句的情况。
当执行UPDATE RETURNING语句时,由于被错误地标记为只读操作,SQLite会拒绝执行数据修改部分,抛出SQLITE_READONLY错误。
解决方案
社区贡献者提出了一个修复方案,通过检查SQL语句的开头关键字来更准确地判断操作类型:
- 首先去除SQL语句的前导空格
- 将语句转换为大写
- 检查是否以UPDATE、INSERT或DELETE开头
- 如果是这些DML语句,则使用可写连接
这种解决方案简单有效,能够正确处理大多数常见情况。不过需要注意的是,这种基于字符串前缀的检查方式可能无法覆盖所有复杂场景,比如带有注释或嵌套子查询的语句。
技术启示
这个问题给我们几个重要的技术启示:
- SQL语法在不断演进,数据库驱动需要及时跟进新特性
- 只读/可写操作的判断不能简单地基于语句类型
- 混合操作(如UPDATE RETURNING)需要特殊处理
- 字符串处理在SQL解析中需要格外小心,要考虑各种边界情况
最佳实践
对于使用SQLDelight的开发者,建议:
- 及时更新到包含此修复的版本
- 对于复杂的SQL操作,考虑拆分为多个简单操作
- 在Native平台上充分测试数据修改操作
- 关注SQLite新特性的兼容性
这个问题也展示了开源社区协作的价值,通过用户反馈和开发者快速响应,共同完善了SQLDelight的功能。
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-X1-7BSpark-Prover-X1-7B 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-X1-7BSpark-Formalizer-X1-7B 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).Dockerfile015
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