Kysely 动态表名查询的技术实现与思考
2025-05-19 16:45:54作者:范靓好Udolf
Kysely 作为一款类型安全的 SQL 查询构建器,在 TypeScript 生态中因其强大的类型推导能力而备受开发者青睐。然而,在实际开发中,我们经常会遇到需要根据运行时条件动态选择表名进行查询的场景,这给类型系统带来了挑战。
动态表名查询的挑战
在 Kysely 的早期版本(v0.28 之前),开发者可以意外地使用联合类型作为表名参数:
function queryUserOrPet(table: 'person' | 'pet') {
return db.selectFrom(table)
.select('id')
.execute()
}
这种写法虽然直观,但从类型安全的角度来看存在隐患,因为编译器无法准确推断出不同表可能拥有的不同列结构。随着 Kysely 对类型系统的严格化,这种用法在 v0.28 后被明确禁止。
临时解决方案分析
社区中出现了基于类型合并的临时解决方案:
db.withTables<{
$: {
[C in keyof Database[typeof table]]: Database[typeof table][C];
};
}>()
.selectFrom(`${table} as $` as "$")
这种方法虽然能绕过类型检查,但存在几个明显问题:
- 代码可读性差,使用了类型断言等技巧
- 维护成本高,容易出错
- 不是官方推荐的解决方案
官方推荐方向
Kysely 团队正在考虑通过 dynamic 模块提供官方解决方案:
function queryDynamicTable(t: 'person' | 'pet') {
const { table } = db.dynamic
return db.selectFrom(table(t).as('t'))
.select('t.id')
.execute()
}
这种设计有几个优势:
- 明确的 API 边界,将动态查询与静态查询区分开
- 更好的类型推导,能正确处理不同表的列结构
- 更清晰的代码表达意图
最佳实践建议
在官方解决方案推出前,开发者可以考虑以下实践:
- 避免过度DRY:不是所有查询都需要抽象,有时重复比错误的抽象更好
- 使用查询构建器:通过
(qb) => qb形式封装可复用查询片段 - 等待官方方案:关注 Kysely 的
dynamic模块发展
技术思考
类型安全的 ORM/查询构建器在处理动态表名时面临的核心挑战是:如何在编译时处理运行时才能确定的信息。Kysely 团队的选择体现了类型安全优先的设计哲学,宁愿限制某些动态特性也要保证类型系统的可靠性。
未来,随着 TypeScript 类型系统能力的增强(如模板字面量类型的改进),这类问题可能会有更优雅的解决方案。在此之前,开发者需要在灵活性和类型安全之间做出权衡。
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
STM32到GD32项目移植完全指南:从兼容性到实战技巧 JDK 8u381 Windows x64 安装包:企业级Java开发环境的完美选择 开源电子设计自动化利器:KiCad EDA全方位使用指南 Python案例资源下载 - 从入门到精通的完整项目代码合集 Python开发者的macOS终极指南:VSCode安装配置全攻略 网页设计期末大作业资源包 - 一站式解决方案助力高效完成项目 昆仑通态MCGS与台达VFD-M变频器通讯程序详解:工业自动化控制完美解决方案 STDF-View解析查看软件:半导体测试数据分析的终极工具指南 MQTT 3.1.1协议中文版文档:物联网开发者的必备技术指南 Jetson TX2开发板官方资源完全指南:从入门到精通
项目优选
收起
deepin linux kernel
C
24
9
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
🔥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
64
19
暂无简介
Dart
670
155
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++
660
308
Ascend Extension for PyTorch
Python
219
236
仓颉编译器源码及 cjdb 调试工具。
C++
134
867
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
23
0
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
392
3.82 K
React Native鸿蒙化仓库
JavaScript
259
322