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 StartedRust098- DDeepSeek-V4-ProDeepSeek-V4-Pro(总参数 1.6 万亿,激活 49B)面向复杂推理和高级编程任务,在代码竞赛、数学推理、Agent 工作流等场景表现优异,性能接近国际前沿闭源模型。Python00
MiMo-V2.5-ProMiMo-V2.5-Pro作为旗舰模型,擅⻓处理复杂Agent任务,单次任务可完成近千次⼯具调⽤与⼗余轮上 下⽂压缩。Python00
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
Kimi-K2.6Kimi K2.6 是一款开源的原生多模态智能体模型,在长程编码、编码驱动设计、主动自主执行以及群体任务编排等实用能力方面实现了显著提升。Python00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00