FeathersJS与PostgreSQL中日期类型的处理实践
在使用FeathersJS与PostgreSQL数据库集成时,处理日期类型(特别是timestamptz类型)是一个常见的挑战。本文将深入探讨如何正确配置FeathersJS以处理PostgreSQL中的日期类型,确保前后端数据交互时日期类型的正确转换。
问题背景
当开发者使用FeathersJS的TypeBox定义包含日期字段的Schema时,如:
export const histoSchema = Type.Object({
created_at: Type.Date()
}, { $id: 'Histo', additionalProperties: false })
在查询PostgreSQL中的timestamptz类型字段时,可能会遇到"strict mode: unknown keyword: 'instanceOf'"的错误。这是因为默认情况下,PostgreSQL的node驱动会将日期类型转换为字符串格式。
解决方案
1. 配置PostgreSQL驱动
核心解决方案是正确配置node-postgres驱动,防止它自动转换日期类型:
// 防止node-postgres将Postgres DATE类型转换为字符串
const { types } = require('pg');
types.setTypeParser(1082, (value) => value); // 1082是PostgreSQL中DATE类型的OID
对于timestamptz类型,还需要添加:
types.setTypeParser(1184, (value) => new Date(value)); // 1184是timestamptz的OID
2. Schema定义优化
在Schema定义中,可以使用以下两种方式处理日期类型:
方案A:使用Type.Date()并确保驱动配置正确
created_at: Type.Date()
方案B:使用字符串格式并添加格式验证
created_at: Type.String({ format: 'date-time' })
方案A更符合类型系统的设计,但需要确保驱动配置正确;方案B则更简单但需要在应用层进行额外转换。
深入理解
PostgreSQL与JavaScript的日期类型转换
PostgreSQL中的日期类型(DATE、TIMESTAMP、TIMESTAMPTZ)在node-postgres驱动中默认会被转换为字符串。这是因为:
- 数据库驱动设计考虑跨平台兼容性
- JSON序列化时Date对象需要特殊处理
- 时区处理的一致性要求
FeathersJS的类型系统
FeathersJS的TypeBox基于JSON Schema,而JSON本身没有原生的Date类型。Type.Date()实际上是通过AJV的instanceOf关键字实现的,这解释了为什么会出现"unknown keyword"错误。
最佳实践
- 驱动层配置优先:在应用启动时正确配置PostgreSQL驱动,这是最彻底的解决方案
- Schema一致性:前后端使用相同的日期处理逻辑
- 时区处理:明确时区策略,推荐使用UTC存储,本地时区显示
- 性能考虑:大量日期操作时考虑在数据库层处理
扩展思考
对于复杂的日期处理场景,可以考虑:
- 自定义Feathers hook进行日期转换
- 使用中间件统一处理日期序列化
- 在前端框架中创建日期处理工具函数
通过正确配置和合理设计,可以确保FeathersJS与PostgreSQL在日期类型处理上的无缝协作,为应用提供稳定可靠的时间数据支持。
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
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00