MyBatis-Plus代码生成器自定义实体类名处理技巧
2025-05-13 00:41:20作者:郁楠烈Hubert
在使用MyBatis-Plus代码生成器时,开发者经常会遇到需要自定义生成的实体类名的情况。特别是当项目中采用了特定的命名规范,如需要在类名中添加或去除特定后缀(如"DO")时,掌握正确的配置方法尤为重要。
问题背景
MyBatis-Plus的代码生成器默认会根据表名自动生成对应的实体类名。当开发者在配置中设置了%sDO这样的命名规则时,生成的所有实体类都会自动带上"DO"后缀。但在某些情况下,开发者可能希望在自定义模板中使用不带后缀的类名,这就需要对生成逻辑进行额外处理。
解决方案
MyBatis-Plus提供了灵活的扩展点,允许开发者在生成代码前对类名进行处理。以下是两种有效的解决方案:
方案一:使用formatNameFunction
在定义文件配置时,可以通过formatNameFunction方法对生成的类名进行自定义处理:
.formatNameFunction(tableInfo -> {
// 在这里可以自定义处理逻辑
return tableInfo.getEntityName(); // 返回处理后的类名
})
这种方式可以直接在类名生成阶段进行干预,适用于需要对所有生成的类名进行统一处理的场景。
方案二:通过beforeOutputFile钩子
更灵活的方式是使用beforeOutputFile钩子,在文件输出前对变量进行处理:
injectionConfig().beforeOutputFile((tableInfo, customMap) -> {
// 获取原始类名
String originalName = tableInfo.getEntityName();
// 自定义处理逻辑,如去除DO后缀
String newEntityName = originalName.replace("DO", "");
// 将处理后的类名放入自定义变量映射中
customMap.put("newEntityName", newEntityName);
})
这种方法特别适合以下场景:
- 只需要在特定模板中使用处理后的类名
- 需要保留原始类名用于其他用途
- 处理逻辑较为复杂,需要根据具体情况判断
实际应用建议
-
保持一致性:无论采用哪种方式,建议在整个项目中保持一致的命名处理逻辑,避免混淆。
-
模板变量使用:在自定义模板中,可以使用
${newEntityName}来引用处理后的类名变量。 -
复杂逻辑处理:如果命名规则复杂,可以考虑封装一个专门的工具类来处理各种命名转换场景。
-
文档记录:对于自定义的命名规则,建议在项目文档中明确说明,方便团队其他成员理解。
通过掌握这些技巧,开发者可以灵活应对各种命名规范需求,使生成的代码更符合项目规范,同时保持MyBatis-Plus代码生成器的自动化优势。
登录后查看全文
热门项目推荐
相关项目推荐
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
最新内容推荐
MQTT客户端软件源代码:物联网开发的强大工具与最佳实践指南 Launch4j中文版:Java应用程序打包成EXE的终极解决方案 全球GEOJSON地理数据资源下载指南 - 高效获取地理空间数据的完整解决方案 TortoiseSVN 1.14.5.29465 中文版:高效版本控制的终极解决方案 IK分词器elasticsearch-analysis-ik-7.17.16:中文文本分析的最佳解决方案 电脑PC网易云音乐免安装皮肤插件使用指南:个性化音乐播放体验 STM32到GD32项目移植完全指南:从兼容性到实战技巧 QT连接阿里云MySQL数据库完整指南:从环境配置到问题解决 基于Matlab的等几何分析IGA软件包:工程计算与几何建模的完美融合 XMODEM协议C语言实现:嵌入式系统串口文件传输的经典解决方案
项目优选
收起
deepin linux kernel
C
26
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
420
3.22 K
Ascend Extension for PyTorch
Python
230
261
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
689
330
暂无简介
Dart
685
160
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
React Native鸿蒙化仓库
JavaScript
266
326
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
65
19
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.22 K
666
仓颉编译器源码及 cjdb 调试工具。
C++
136
869