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。
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。C095
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.Python058
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
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00