jOOQ代码生成器新增按生成模式过滤表功能详解
在数据库应用开发中,jOOQ作为一款优秀的ORM框架,其代码生成功能一直备受开发者青睐。最新版本中,jOOQ团队针对代码生成器做出了重要改进,新增了按不同生成模式(如Record、POJO、DAO)独立配置表过滤规则的功能,这将显著提升大型项目的编译效率。
功能背景
在之前的jOOQ版本中,开发者只能通过全局配置来决定是否为所有表生成各种对象类型(Record、POJO、DAO等)。但在实际项目中,我们往往只需要为少数关键表生成完整的对象类型,其余表可能仅需基础访问能力即可。特别是在多方言支持场景下,为每个测试表生成全套对象类型会导致编译时间急剧增加。
新增配置项
jOOQ 3.20.0版本引入了以下六个新的配置参数,使开发者能够精细控制不同生成模式下的表过滤规则:
<recordsIncludes/>- 指定需要生成Record类的表<recordsExcludes/>- 指定不生成Record类的表<pojosIncludes/>- 指定需要生成POJO类的表<pojosExcludes/>- 指定不生成POJO类的表<daosIncludes/>- 指定需要生成DAO类的表<daosExcludes/>- 指定不生成DAO类的表
技术实现原理
这些新配置项在代码生成阶段会被单独处理。jOOQ的代码生成器现在会为每种对象类型维护独立的过滤逻辑:
- 首先应用全局的
<includes/>和<excludes/>规则 - 然后针对特定对象类型应用对应的过滤规则
- 最终确定是否为当前表生成该类型的对象
这种分层过滤机制确保了配置的灵活性和向后兼容性。
典型应用场景
-
性能优化:在包含数百张表的项目中,只为业务核心的20张表生成POJO和DAO,其余表仅生成Record,可减少60%以上的生成代码量。
-
多方言测试:当为30种数据库方言生成测试代码时,只为测试专用的6张表生成完整对象类型,避免无谓的编译开销。
-
渐进式迁移:在传统项目向jOOQ迁移过程中,可以优先为改造中的模块生成完整对象类型。
配置示例
<generator>
<generate>
<!-- 全局配置 -->
<tables>true</tables>
<records>true</records>
<pojos>true</pojos>
<daos>true</daos>
</generate>
<!-- 按模式过滤 -->
<recordsIncludes>USER, ORDER, PRODUCT</recordsIncludes>
<pojosIncludes>USER, ORDER</pojosIncludes>
<daosIncludes>USER</daosIncludes>
</generator>
注意事项
- 这些配置项与现有
<includes/>和<excludes/>是叠加关系,而非替代关系 - 当同时配置includes和excludes时,excludes优先级更高
- 表名匹配规则与原有机制保持一致,支持通配符
- 对于复杂场景,仍可采用多代码生成配置的方式实现更精细控制
总结
这项改进使得jOOQ的代码生成策略更加灵活精细,特别有利于大型项目和多方言支持场景。通过减少不必要的代码生成,开发者可以获得更快的编译速度和更简洁的项目结构。随着jOOQ的持续演进,我们期待看到更多提升开发者体验的实用功能。
对于现有项目,建议评估各表对象的实际使用情况,逐步应用这些新的过滤规则来优化生成配置。在微服务架构中,甚至可以结合业务边界为不同服务配置不同的生成策略,实现架构层面的关注点分离。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-X1-7BSpark-Prover-X1-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer-X1-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile015
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00