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。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
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
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00