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。
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