Mattermost项目中避免使用SELECT *的SQL查询优化实践
2025-05-04 01:46:21作者:董灵辛Dennis
背景介绍
在Mattermost这个开源企业级即时通讯平台的数据库访问层中,存在一个需要优化的技术点:在compliance_store.go文件中使用了SELECT *这样的SQL查询语句。这种写法虽然方便,但会带来严重的数据库兼容性问题。
问题分析
SELECT *语句会返回表中所有列的数据,当数据库表结构发生变化时(例如添加新列),会导致以下问题:
- 旧版本服务器无法正确处理新版本数据库中的新增列
- 增加了不必要的网络传输数据量
- 降低了查询性能
- 使代码对数据库结构变更更加敏感
解决方案
Mattermost团队提出了一个分步骤的优化方案:
第一步:将字符串SQL查询迁移到SQLBuilder
将硬编码的SQL字符串查询改为使用SQLBuilder构建查询。例如:
// 旧写法
_, err = s.GetReplica().Get("SELECT * FROM Table WHERE Id = ?", id)
// 新写法
query := s.getQueryBuilder().
Select("*").
From("Table").
Where(sq.Eq{"Id": id})
_, err = s.GetReplica().GetBuilder(query)
第二步:显式指定查询列
将SELECT("*")替换为显式指定所需列:
query := s.getQueryBuilder().
Select("Column1", "Column2").
From("Table").
Where(sq.Eq{"Id": id})
对于多次使用的查询,建议在存储构造函数中定义基础查询:
type SqlTableStore struct {
*SqlStore
tableSelectQuery sq.SelectBuilder
}
func newSqlTableStore(sqlStore *SqlStore) store.TableStore {
s := SqlTableStore{
SqlStore: sqlStore,
}
s.tableSelectQuery = s.getQueryBuilder().
Select("Column1", "Column2").
From("Table")
return &s
}
第三步:测试验证
修改完成后,需要运行相关的单元测试来验证修改的正确性:
go test -run TestTableStore
实施建议
- 建议在修改前先充分理解现有代码的业务逻辑
- 确保明确知道每个查询实际需要哪些列
- 修改时保持原子性,一次只修改一个存储文件
- 修改后需要进行充分的测试验证
- 考虑添加注释说明为什么需要这些特定列
总结
通过这种优化,Mattermost项目可以:
- 提高数据库兼容性
- 减少不必要的数据传输
- 提升查询性能
- 使代码更加健壮和可维护
这种优化方式不仅适用于Mattermost项目,对于其他使用SQL数据库的Go项目也具有参考价值,是编写高质量数据库访问代码的良好实践。
登录后查看全文
热门项目推荐
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
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
413
3.18 K
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++
690
325
Ascend Extension for PyTorch
Python
229
258
暂无简介
Dart
679
160
React Native鸿蒙化仓库
JavaScript
265
326
🎉 (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
1.21 K
660
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
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
1.03 K
492
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
346
147