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。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
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