Drizzle ORM 种子数据填充功能升级:支持无外键约束的关系表
Drizzle ORM 是一个现代化的 TypeScript ORM 框架,以其类型安全和简洁的 API 设计而闻名。在最新发布的 drizzle-seed 0.3.0 版本中,该框架对种子数据填充功能进行了重要升级,解决了之前版本在处理无外键约束关系表时的局限性。
问题背景
在数据库设计中,表与表之间的关系可以通过外键约束(Foreign Key)来明确定义,但有时开发者也会选择不使用外键约束,而是通过应用程序逻辑来维护表间关系。在之前的 drizzle-seed 版本中,种子数据填充功能仅支持通过外键约束定义的表关系,这给不使用外键约束的项目带来了不便。
具体表现为:当开发者尝试使用 with 语法为无外键约束的关系表填充种子数据时,系统会抛出错误提示"X表没有引用Y表,不能在Y.with对象中将X指定为参数"。
解决方案
drizzle-seed 0.3.0 版本对此进行了改进,现在可以接受 Drizzle Relations 对象并将其视为外键约束。这意味着:
- 开发者可以自由选择是否在数据库层面使用外键约束
- 无论是否使用外键,都能使用相同的种子数据填充语法
- 保持了代码的一致性和可读性
技术实现原理
新版本通过扩展种子服务的解析逻辑,使其能够识别两种类型的表关系:
- 传统的外键约束关系
- 通过 Drizzle ORM 的 Relations 配置定义的关系
在内部实现上,种子服务会优先检查表之间是否存在外键约束。如果不存在,则会检查是否配置了 Drizzle Relations。只要满足其中一种条件,就会允许使用 with 语法进行关联数据的填充。
使用示例
假设我们有两个表:用户(User)和帖子(Post),它们之间没有数据库层面的外键约束,但在 Drizzle ORM 中定义了关系:
// 定义表结构
const users = pgTable('users', {
id: serial('id').primaryKey(),
name: text('name'),
});
const posts = pgTable('posts', {
id: serial('id').primaryKey(),
title: text('title'),
authorId: integer('author_id'),
});
// 定义关系
const userRelations = relations(users, ({ many }) => ({
posts: many(posts),
}));
const postRelations = relations(posts, ({ one }) => ({
author: one(users, {
fields: [posts.authorId],
references: [users.id],
}),
}));
现在可以这样填充种子数据:
await seed(db, {
users: [
{
id: 1,
name: '张三',
with: {
posts: [
{ id: 1, title: '第一篇帖子' },
{ id: 2, title: '第二篇帖子' },
],
},
},
],
});
升级建议
对于正在使用 Drizzle ORM 的开发者,特别是那些在项目中避免使用数据库外键约束的团队,建议升级到 drizzle-seed 0.3.0 或更高版本。这将带来以下好处:
- 更灵活的数据模型设计选择
- 更一致的开发体验
- 减少因技术限制而做出的架构妥协
总结
Drizzle ORM 通过这次更新,进一步巩固了其作为现代化 ORM 解决方案的地位。这种对开发者实际需求的快速响应和改进,体现了该框架以开发者体验为核心的设计理念。对于需要高度灵活性的项目,特别是那些采用领域驱动设计(DDD)或微服务架构的项目,这一改进将显著提升开发效率。
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- QQwen3-Coder-Next2026年2月4日,正式发布的Qwen3-Coder-Next,一款专为编码智能体和本地开发场景设计的开源语言模型。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
Baichuan-M3-235BBaichuan-M3 是百川智能推出的新一代医疗增强型大型语言模型,是继 Baichuan-M2 之后的又一重要里程碑。Python00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00