Mikro-ORM中STI模式下的鉴别器列查询优化
在Mikro-ORM中使用单表继承(STI)模式时,鉴别器列(discriminatorColumn)的处理方式有了重要改进。这个改进解决了在GraphQL等场景下查询嵌套数据时可能出现的问题。
问题背景
单表继承是ORM中常见的一种继承映射策略,它将继承体系中的所有类映射到同一个数据库表中,并通过一个特殊的鉴别器列来区分不同类型的记录。在Mikro-ORM中,开发者可以通过@Entity装饰器的discriminatorColumn选项来指定这个列。
然而,在之前的实现中,如果查询时没有显式请求这个鉴别器列(例如通过GraphQL查询时客户端没有请求该字段),Mikro-ORM会完全从SQL查询中排除这个列。这导致在某些场景下,特别是使用GraphQL联合类型查询嵌套数据时,ORM无法正确识别记录的实际类型。
解决方案
最新版本的Mikro-ORM已经修改了这一行为,现在会始终在SQL查询中包含鉴别器列,即使客户端没有显式请求该字段。这与主键字段的处理方式类似,确保了类型识别的可靠性。
这种改进是自动的,开发者不需要进行任何额外配置。ORM会确保鉴别器列总是被加载,就像它总是加载主键一样。
最佳实践
在使用STI模式时,开发者应该注意以下几点:
- 不需要在子类中重新定义鉴别器列属性,ORM会根据类类型自动处理值
- 鉴别器列应该被声明为抽象基类的属性
- 子类只需要通过
discriminatorValue指定其鉴别值
例如正确的实体定义应该是:
@Entity({
discriminatorColumn: "type",
abstract: true,
})
export abstract class BasePerson {
@PrimaryKey()
id!: number;
@Enum()
type!: "customer" | "employee";
@Property()
name: string;
}
@Entity({ discriminatorValue: "customer" })
export class Customer extends BasePerson {
@Property()
amtMoney: number;
}
技术影响
这一改进特别有利于构建基于Mikro-ORM的GraphQL API。在GraphQL中,客户端可能不会显式请求鉴别器字段,但服务端仍然需要这个信息来正确解析联合类型和接口类型。现在Mikro-ORM确保了鉴别器信息总是可用,使得这类场景能够可靠工作。
总结
Mikro-ORM对STI模式下鉴别器列处理方式的改进,提升了框架在复杂查询场景下的可靠性,特别是在构建灵活API时。开发者现在可以更加自信地使用单表继承模式,而不必担心类型识别问题。这一变化遵循了"约定优于配置"的原则,通过合理的默认行为减少了开发者的认知负担。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C086
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python057
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
agent-studioopenJiuwen agent-studio提供零码、低码可视化开发和工作流编排,模型、知识库、插件等各资源管理能力TSX0137
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