JeecgBoot项目中sys_announcement_send表主键缺失问题分析与解决方案
问题背景
在JeecgBoot 3.7.1版本中,系统公告发送记录表sys_announcement_send存在一个潜在的设计缺陷。该表在SQL建表语句中没有明确定义主键,但在对应的Java实体类中却定义了id字段作为主键。这种不一致性导致了数据库操作时可能出现死锁问题。
问题现象
当用户多次调用/editByAnntIdAndUserId接口时,由于表结构缺少主键约束,MySQL数据库会产生死锁。从错误日志中可以看到,两个事务同时尝试更新同一用户的公告记录时,会互相等待对方持有的锁资源,最终导致死锁发生。
技术分析
死锁产生原因
-
表结构缺陷:
sys_announcement_send表没有定义主键,MySQL会隐式创建一个聚集索引(GEN_CLUST_INDEX),这会影响查询和更新操作的性能。 -
索引使用:从错误日志可以看出,事务使用了
idx_sacm_user_id索引,但由于缺少主键,锁竞争变得更加复杂。 -
并发控制:当多个事务同时操作同一用户的公告记录时,由于没有明确的主键约束,锁的粒度变大,增加了死锁概率。
影响范围
此问题主要影响:
- 公告阅读状态的更新操作
- 高并发场景下的系统稳定性
- 数据库性能
解决方案
修复方案
为sys_announcement_send表添加主键约束,执行以下SQL语句:
ALTER TABLE `sys_announcement_send`
MODIFY COLUMN `id` varchar(32) CHARACTER SET utf8 COLLATE utf8_general_ci NOT NULL FIRST,
ADD PRIMARY KEY (`id`);
实施建议
-
生产环境:建议在业务低峰期执行此变更,避免影响线上服务。
-
版本升级:对于新部署的JeecgBoot系统,建议在初始化数据库后立即执行此修复。
-
代码审查:检查所有涉及
sys_announcement_send表的业务逻辑,确保与主键相关的操作正确。
预防措施
为避免类似问题再次发生,建议:
-
数据库设计规范:确保表结构与实体类定义保持一致,特别是主键约束。
-
代码审查流程:在数据库变更时,同时检查对应的实体类定义。
-
性能测试:对高并发场景下的关键表操作进行压力测试,提前发现潜在问题。
总结
数据库表设计是系统稳定性的基础,主键缺失看似小问题,但在高并发场景下可能导致严重的性能问题和系统不稳定。JeecgBoot项目中的这个案例提醒我们,在数据库设计和实现过程中,必须保持严谨的态度,确保表结构与业务逻辑的一致性。通过及时修复此问题,可以显著提升系统的稳定性和并发处理能力。
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