Marten框架中Include查询与分页统计的陷阱与解决方案
问题背景
在使用Marten ORM框架进行数据查询时,开发人员可能会遇到一个看似简单但实则棘手的问题:当同时使用Include()方法和分页查询时,QueryStatistics返回的TotalResults值会出现异常。这个问题的表现是,统计的总结果数(TotalResults)仅反映当前页面的结果数量,而非整个查询结果集的总数。
问题复现
让我们通过一个典型场景来说明这个问题:
// 获取符合条件的总记录数
var count = session.Query<Target>().Count(x => x.Number > 10); // 返回40
// 执行分页查询
var targetInclude = new Dictionary<string, TargetInclude>();
var list = await session
.Query<Target>()
.Where(x => x.Number > 10)
.Include(x => x.TargetIncludeId, targetInclude)
.Stats(out var queryStats)
.Skip((pageNumber - 1) * pageSize)
.Take(pageSize)
.ToListAsync();
// 断言失败,因为queryStats.TotalResults等于页面大小而非40
queryStats.TotalResults.ShouldBe(count);
技术分析
问题根源
这个问题的根本原因在于Marten生成的SQL查询结构。当同时使用Include()和分页时,Marten会创建一个临时表来存储中间结果,但在这个过程中,原始的总行数统计信息被丢失了。
生成的SQL大致如下:
-- 创建临时表并计算总行数
create temp table mt_temp_id_list2 as (
select d.data, d.document_id, count(*) OVER() as total_rows
from flexible_forms.mt_doc_document_list_view as d
where (d.tenant_id = $1 and CAST(d.data ->> 'IsArchived' as boolean) = $2 and
d.document_id LIKE $3)
desc OFFSET $4 LIMIT $5
);
-- 执行Include关联查询
select d.data from flexible_forms.mt_doc_userprojection as d
where (d.tenant_id = $1 and d.id in (select d.data ->> 'UserId' from mt_temp_id_list2 as d));
-- 从临时表获取数据时重新计算总行数(这里出错)
select d.data, d.document_id, count(*) OVER() as total_rows from mt_temp_id_list2 as d;
可以看到,虽然第一次查询时正确计算了总行数,但在最终从临时表获取数据时又执行了一次count(*) OVER(),这次计算的是临时表中的行数(即分页后的结果数),而非原始查询的总行数。
解决方案
这个问题在Marten 7.26.1版本中已得到修复。升级到该版本后,Include()与QueryStatistics的组合能够正确返回总结果数。
最佳实践建议
-
版本管理:确保使用Marten的最新稳定版本(7.26.1或更高),特别是当查询涉及复杂操作时。
-
测试验证:对于包含Include()的分页查询,应添加测试用例验证TotalResults的正确性。
-
查询监控:在开发阶段,可以检查Marten生成的SQL语句,确保统计逻辑符合预期。
-
替代方案:如果暂时无法升级,可以考虑将Include查询拆分为两步操作,先获取主实体再单独加载关联实体。
总结
Marten框架在处理复杂查询时表现出色,但在某些特定组合操作下可能会出现意外行为。理解框架的内部工作机制有助于快速定位和解决问题。对于这个特定的Include与分页统计问题,最简单的解决方案就是升级到已修复该问题的版本。
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