Spring Data JPA 3.5.0 新特性与改进深度解析
Spring Data JPA 作为Spring生态系统中对JPA(Java Persistence API)的封装与扩展,为开发者提供了便捷的数据访问层解决方案。最新发布的3.5.0版本带来了一系列值得关注的新特性和改进,本文将对这些内容进行详细解读。
核心特性增强
查询解析与重写机制优化
3.5.0版本对查询解析器进行了多项改进。JSqlParserQueryEnhancer现在支持NullHandling处理,能够更好地处理查询中的空值情况。HQL解析器现在可以正确处理LIMIT/OFFSET子句而无需强制排序,这为开发者提供了更大的灵活性。
特别值得注意的是,新版本改进了StringQuery参数索引分配机制,解决了在处理复杂查询时可能出现的参数绑定问题。同时,查询重写机制现在能够自动将返回DTO的字符串查询转换为使用构造器表达式,这一改进显著提升了DTO投影的使用体验。
分页与切片查询增强
在分页处理方面,3.5.0版本修复了多个相关问题。FluentQuery的page()方法现在会正确考虑Pageable.sort参数,确保排序行为符合预期。QuerydslPredicateExecutor新增了对未分页请求的排序支持,使得开发者能够更灵活地控制查询结果顺序。
SimpleJpaRepository现在支持自定义countSpec,允许开发者针对特定场景优化计数查询的性能。同时,新增了返回Slice的findBy方法支持,为大数据集处理提供了更高效的选择。
Specification API 改进
Specification API得到了显著增强。新增的not()方法允许开发者更方便地构建否定条件,同时修复了在嵌套Specification返回null时可能导致的NullPointerException问题。这些改进使得动态查询构建更加健壮和灵活。
重要问题修复
查询解析兼容性问题
3.5.0版本解决了多个查询解析相关的兼容性问题。修复了EQL解析器对保留字和函数在IN表达式中的处理,以及HQL解析器对HAVING子句无GROUP BY情况的拒绝问题。同时,修正了JPQL解析器对CAST函数的支持,确保这些常见SQL特性能够正常使用。
参数绑定与投影问题
参数绑定机制得到了多项修复。解决了在IN绑定中多次使用相同参数时出现的"无命名参数"错误,以及仅出现在ORDER BY中的参数在计数查询派生时导致的ParameterBinder创建失败问题。
在投影方面,修复了DTO投影重写可能错误转换属性返回查询的问题,以及原生查询投影与记录(record)类型配合使用时出现的ConverterNotFoundException问题。
性能与稳定性提升
3.5.0版本包含多项性能优化。QueryUtils.applyAndBind()方法改进了大批量实体处理时的性能,避免了可能出现的StackOverflowError。同时优化了现有fetch连接在创建排序表达式时的重用机制,减少了不必要的查询开销。
事务处理方面,为SimpleJpaRepository的delete(Specification)方法添加了@Transactional注解,解决了在类级别readOnly=true时可能导致的JDBC连接只读异常问题。
文档与使用建议
新版本文档对多个关键主题进行了完善。特别值得注意的是对Query By Example中非支持集合属性限制的说明,以及事务边界建议的澄清。开发者在使用deleteBy操作时应注意其潜在的性能问题,文档中提供了相关警告和替代方案建议。
对于使用OpenFeign Querydsl分支的开发者,3.5.0版本提高了兼容性并新增了相关文档说明,帮助开发者更好地集成这些技术栈。
升级建议
3.5.0版本作为功能增强版本,建议现有项目在充分测试后逐步升级。特别需要注意的是,该版本对Hibernate 6.6.x系列提供了全面支持,并升级了JSqlParser等关键依赖。开发者在升级时应检查这些依赖的兼容性,特别是使用了高级查询特性的场景。
总的来说,Spring Data JPA 3.5.0通过一系列新特性和问题修复,进一步提升了开发体验和运行效率,是值得考虑升级的版本。
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