Doobie 1.0.0-RC7 发布:JDBC 函数式编程工具的重大更新
Doobie 是一个基于 Cats 和 Cats Effect 的纯函数式 JDBC 层,为 Scala 提供了类型安全、组合式的数据库访问能力。它允许开发者以纯函数式的方式处理数据库操作,同时提供了强大的类型检查和编译时验证功能。
核心特性更新
查询取消功能
1.0.0-RC7 版本实现了通过调用 PreparedStatement#close() 方法来取消正在执行的查询。当 fiber 被取消时,Doobie 会自动关闭对应的 PreparedStatement,从而终止数据库查询的执行。这一特性对于构建响应式应用尤为重要,能够有效管理长时间运行的查询和资源释放。
可选自动派生机制
Doobie 长期以来默认启用自动派生机制,虽然方便,但会导致编译时间变长,因为每次需要时都会重新派生 Read/Write/Get/Put 实例。1.0.0-RC7 对此进行了重大重构:
import doobie.implicits.*保持向后兼容,继续启用自动派生import doobie.generic.auto.*显式启用自动派生- 元组实例仍保持自动派生
- 推荐 Scala 3 用户使用显式派生以避免隐式搜索问题
显式派生示例:
Scala 3:
case class Foo(a: String, b: Int) derives Read
Scala 2+:
case class Foo(a: String, b: Int)
object Foo {
implicit val read: Read[Foo] = Read.derived
}
增强的 JDBC 供应商类型检查
新版本改进了类型检查机制,不仅检查 java.sql.ResultSetMetaData#getColumnType 返回的整数类型,还会检查供应商特定的列类型名称。这一改进特别解决了 PostgreSQL 中 TIMESTAMP WITH TIME ZONE 和 TIMESTAMP 类型区分不清的问题。
主要变化包括:
Get和Put实例现在可以指定供应商列类型名称java.time.*实例被移动到数据库特定模块- 移除了
doobie.implicits.javasql,相关实例现在默认可用 - 改进了 PostgreSQL 数组枚举列的类型检查
流式查询和批量更新的日志记录
新版本为 Query#stream 和 Update#withGeneratedKeys 操作添加了日志支持,同时引入了新的 doobie.hi.FC 模块函数:stream、executeWithResultSet 和 executeWithoutResultSet。旧的不支持日志记录的函数已被标记为废弃。
其他重要改进
- 改进了 HikariTransactor 的构建方式,支持不同效果类型
- 添加了 PostgreSQL 范围类型支持
- 移除了模块的惰性初始化,修复潜在的初始化死锁问题
- 为 Transactor 添加了
withLogHandler方法 - 改进了分析错误信息
- 添加了
updateSetOpt片段支持 - 为产品类型添加了
IN和NOT IN片段构建器 - 改进了片段连接操作符,确保中间有空格
- 为流操作添加了结果预取功能
- 使空参数错误信息更加详细
性能优化
新版本包含多项性能优化,包括:
- 重构的 Read/Write 派生机制减少了编译时间
- 流操作结果预取提高了流式查询性能
- 移除了不必要的初始化延迟
向后兼容性说明
1.0.0-RC7 保持了良好的向后兼容性,但需要注意:
- 不推荐直接升级到 1.0.0-RC6,建议跳过该版本
- 一些旧的高层方法已被标记为废弃
doobie.implicits.javasql已被移除,相关实例现在默认可用
结语
Doobie 1.0.0-RC7 带来了多项重要改进,特别是在类型安全、性能优化和开发者体验方面。这些变化使 Doobie 更加成熟稳定,为即将到来的 1.0 正式版奠定了坚实基础。对于正在使用 Doobie 的项目,建议评估升级到 RC7 版本,特别是需要查询取消或更严格类型检查功能的项目。
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-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00