GRDB.swift中使用生成列的最佳实践
2025-05-30 13:31:17作者:凤尚柏Louis
生成列简介
在SQLite数据库中,生成列(GENERATED COLUMNS)是一种特殊类型的列,其值由其他列的值计算得出。GRDB.swift作为Swift语言的SQLite工具库,支持这种强大的数据库特性。生成列分为两种类型:
- 虚拟列(VIRTUAL):只在读取时计算,不占用存储空间
- 存储列(STORED):在写入时计算并存储
问题场景
在使用GRDB.swift时,开发者可能会遇到这样的场景:定义了一个包含生成列的数据表,但在尝试保存记录时遇到"cannot UPDATE generated column"错误。这是因为生成列的值应该由数据库自动计算,而不应该由应用程序直接写入。
解决方案比较
方案一:自定义属性包装器
可以创建一个@EncodingIgnored属性包装器,让特定属性在编码时被忽略:
@propertyWrapper
public struct EncodingIgnored<T: Hashable & Decodable>: Codable, Hashable {
public var wrappedValue: T?
public init(wrappedValue: T?) {
self.wrappedValue = wrappedValue
}
public init(from decoder: Decoder) throws {
let value = try decoder.singleValueContainer()
self.wrappedValue = try value.decode(T?.self)
}
public func encode(to encoder: Encoder) throws {
// 编码时忽略此属性
}
}
使用方式:
struct Item: Codable {
var id: String
var startDate: Date?
var duration: Int
@EncodingIgnored
public let endDate: Date?
}
优点:
- 使用简单,只需添加属性包装器
- 自动处理所有编码逻辑
缺点:
- 将数据库概念混入模型定义
- 依赖于Swift的Codable协议
方案二:自定义encode方法
通过重写encode(to:)方法明确指定需要持久化的字段:
extension Item {
func encode(to container: inout PersistenceContainer) {
container["id"] = id
container["startDate"] = startDate
container["duration"] = duration
// 不包含endDate
}
}
优点:
- 完全控制持久化逻辑
- 不引入额外依赖
缺点:
- 需要手动维护字段列表
- 新增字段时容易遗漏
方案三:分离模型定义
创建两个模型类型:一个用于写入(不包含生成列),一个用于读取(包含所有列):
// 写入模型
struct ItemDefinition: Codable, FetchableRecord, PersistableRecord {
var id: String
var startDate: Date?
var duration: Int
}
// 读取模型
struct Item: Decodable, FetchableRecord {
var id: String
var startDate: Date?
var duration: Int
var endDate: Date?
}
优点:
- 职责分离清晰
- 可以定义更严格的类型约束
- 完全避免生成列写入问题
缺点:
- 需要维护两个模型
- 代码量增加
最佳实践建议
-
简单场景:如果项目规模较小,使用属性包装器是最快捷的解决方案。
-
大型项目:考虑采用模型分离方案,虽然代码量增加,但长期维护性更好。
-
中间路线:对于中等规模项目,自定义encode方法提供了良好的平衡点。
-
类型安全:如果生成列保证不为NULL,可以在读取模型中定义为非可选类型,增加类型安全性。
总结
GRDB.swift提供了多种方式来处理生成列,开发者可以根据项目规模和复杂度选择最适合的方案。理解这些模式的优缺点有助于做出更明智的架构决策。无论选择哪种方案,关键是要确保生成列的值由数据库计算,而不是由应用程序直接写入。
登录后查看全文
热门项目推荐
相关项目推荐
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00
项目优选
收起
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
182
196
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++
648
265
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
274
94
暂无简介
Dart
623
140
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
380
3.41 K
React Native鸿蒙化仓库
JavaScript
242
315
🎉 (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
1.1 K
621
仓颉编译器源码及 cjdb 调试工具。
C++
126
856
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