Sqltoy 5.6.42版本发布:优化分组查询与日志输出功能
项目简介
Sqltoy是一个高性能的Java ORM框架,专注于简化数据库操作并提升开发效率。它提供了丰富的SQL编写方式和强大的查询功能,支持多种数据库方言,能够帮助开发者快速构建稳定高效的数据库访问层。
版本亮点
Sqltoy 5.6.42版本带来了两个重要的功能改进和缺陷修复,进一步提升了框架的稳定性和易用性。
1. 分组查询功能修复
在之前的版本中,当使用<link>标签进行分组查询并指定结果类型为List或Set时,如果最后一组数据正好是查询结果的最后一条记录,框架会出现处理遗漏的情况。这个问题在5.6.42版本中得到了彻底修复。
问题场景
考虑以下SQL查询示例:
<sql id="common_resourceRoles" debug="false" dataSource="portalDataSource">
<link id-columns="res_url" columns="role_code" distinct="true" result-type="SET"/>
<value>
<![CDATA[
select
t3.res_url,
t2.role_code
from SAG_ROLE_RESOURCES t1
left join sag_resource t3 on t3.res_id=t1.res_id
left join sag_role t2 on t2.role_id=t1.role_id
where t3.res_url is not null and t3.NODE_LEVEL >= 3
and t3.status=1
and t1.status=1
and t3.app_code=:appCode
order by t3.res_url
]]>
</value>
</sql>
这个查询的目的是按资源URL(res_url)分组,收集每个URL对应的所有角色代码(role_code)到一个Set集合中。在修复前,如果最后一组数据只有一条记录,这组数据会被框架忽略,导致结果不完整。
修复意义
这个修复确保了分组查询结果的完整性和准确性,特别是对于边缘情况(如最后一组只有一条记录)的处理更加可靠。开发者在处理权限、资源关联等场景时,可以完全信赖框架的分组功能。
2. 日志输出优化
5.6.42版本对SQL日志输出进行了重要优化,特别是对日期和时间类型参数的处理更加友好和准确。
改进内容
在之前的日志输出中,日期时间参数直接以原始值形式显示,这在实际调试时可能不够直观。新版本中,当日志输出包含日期或时间类型参数时,框架会自动添加相应的数据库转换函数,使日志中的SQL语句更接近实际执行的格式。
例如,一个包含日期参数的查询在日志中会显示为:
select * from table where create_time=to_date('2024-10-11 12:30:11.039','YYYY-MM-DD HH24:MI:SS.FF3')
而不是简单的:
select * from table where create_time='2024-10-11 12:30:11.039'
优化价值
这一改进带来了几个显著优势:
- 调试友好:日志输出的SQL可以直接复制到数据库客户端执行,无需手动添加日期转换函数
- 格式统一:不同数据库的日期格式差异被规范化处理
- 精确性:毫秒级精度被明确保留,避免了隐式转换可能导致的精度损失
版本兼容性
Sqltoy 5.6.42版本提供了多种集成方式,满足不同技术栈的需求:
- 原生集成:使用
sagacity-sqltoy核心库 - SpringBoot集成:使用
sagacity-sqltoy-spring-starter - Solon框架集成:使用
sagacity-sqltoy-solon-plugin
对于仍在使用JDK8的用户,框架提供了专门的JRE8兼容版本(版本号后缀为.jre8)。
升级建议
对于正在使用Sqltoy的项目,特别是以下情况,建议升级到5.6.42版本:
- 项目中大量使用
<link>分组查询功能 - 需要精确调试包含日期时间参数的SQL语句
- 使用List或Set作为分组结果集合类型的场景
升级过程通常只需修改依赖版本号即可,无需额外配置或代码变更。
总结
Sqltoy 5.6.42版本虽然是一个小版本更新,但解决了一些实际开发中可能遇到的痛点问题。分组查询功能的修复确保了数据处理的完整性,日志输出的优化则提升了开发调试的效率。这些改进体现了Sqltoy框架对开发者体验的持续关注和对稳定性的不懈追求。
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