Dexie.js 中嵌套对象更新的注意事项
2025-05-17 21:26:58作者:胡易黎Nicole
在使用 Dexie.js 进行 IndexedDB 操作时,处理嵌套对象的更新需要特别注意事务管理和响应式编程的交互问题。本文将通过一个实际案例,分析在 Svelte 5 环境中使用 Dexie.js 时可能遇到的更新失效问题及其解决方案。
问题背景
在开发一个健身追踪应用时,我们使用 Dexie.js 作为 IndexedDB 的封装库。数据结构中包含多层嵌套:
{
id: number,
workout_exercises: [
{
id: number,
exercise: { id: number, name: string },
sets: [
{ id: number, reps: number, weight: number }
]
}
]
}
主要操作包括向特定训练动作(workout_exercise)中添加新的组(set)。初始实现中,更新操作有时会失效,新添加的组不会持久化到数据库中。
初始实现分析
最初的更新逻辑是这样的:
async function addExerciseSet(id, workoutExerciseId) {
const workout = await db.workouts.get(id);
const updatedExercises = workout.workout_exercises.map(we => {
if (we.id === workoutExerciseId) {
return {
...we,
sets: [...we.sets, newSet]
};
}
return we;
});
await db.workouts.update(id, {
workout_exercises: updatedExercises
});
}
表面上看逻辑没有问题,但实际运行时会出现更新不生效的情况。经过排查,发现问题出在 Svelte 的响应式系统与 Dexie 操作的交互上。
根本原因
在 Svelte 组件中,使用了 $effect 自动触发更新:
$effect(() => {
workoutsStore.updateExerciseSet(workoutId, workoutExerciseId, {
...set,
weight,
reps
});
});
这种实现存在两个问题:
- 没有使用事务包装相关的 get 和 update 操作
$effect的自动触发可能导致竞态条件
当多个状态变化快速连续发生时,没有事务保护的更新操作可能会相互覆盖,导致部分更新丢失。
解决方案
正确的做法是将相关操作放入事务中:
async function addExerciseSet(id, workoutExerciseId) {
await db.transaction('rw', db.workouts, async () => {
const workout = await db.workouts.get(id);
const updatedExercises = workout.workout_exercises.map(we => {
// 更新逻辑
});
await db.workouts.update(id, {
workout_exercises: updatedExercises
});
});
}
此外,对于 Svelte 的响应式更新,更好的做法是:
- 避免在
$effect中直接执行数据库操作 - 改为在用户明确的动作(如点击事件)中触发更新
- 或者使用防抖机制控制更新频率
最佳实践建议
-
始终使用事务:对于涉及先读取后写入的操作,应该使用事务包装,确保操作的原子性。
-
谨慎使用响应式更新:在响应式框架中,自动触发的副作用要特别注意竞态条件和性能问题。
-
考虑批量更新:对于频繁的细粒度更新,可以考虑累积变化后一次性提交。
-
添加错误处理:事务操作应该包含适当的错误处理和回滚机制。
-
性能优化:对于大型嵌套对象,考虑使用 Dexie 的局部更新语法(如
'workout_exercises.0.sets')来减少传输数据量。
通过遵循这些原则,可以确保 Dexie.js 在复杂应用中的稳定性和数据一致性。
登录后查看全文
热门项目推荐
相关项目推荐
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
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
223
245
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
暂无简介
Dart
672
157
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++
662
313
React Native鸿蒙化仓库
JavaScript
262
323
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
仓颉编译器源码及 cjdb 调试工具。
C++
134
867
仓颉编程语言测试用例。
Cangjie
37
860
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
218