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。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0199
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0129
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python08
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook07