Drizzle ORM 中 PostgreSQL 检查约束的正确使用方法
2025-05-06 17:58:24作者:仰钰奇
在使用 Drizzle ORM 进行 PostgreSQL 数据库开发时,许多开发者遇到了检查约束(Check Constraints)无法正确生成的问题。本文将深入分析这一问题的根源,并提供正确的实现方法。
问题背景
检查约束是数据库设计中非常重要的功能,它允许开发者在表级别定义数据验证规则。在 Drizzle ORM 的早期版本中,文档推荐的检查约束语法在实际使用中无法正确生成 SQL 迁移文件。
错误实现方式
根据早期文档,开发者通常会这样定义检查约束:
(table) => [{
checkConstraint: check("age_check1", sql`${table.age} > 21`)
}]
这种写法虽然看起来合理,但实际上不会生成预期的检查约束。许多开发者报告称,运行迁移后数据库中没有出现相应的约束。
正确实现方式
经过社区验证,正确的检查约束定义方式应该是:
(table) => [check("age_check1", sql`${table.age} > 21`)]
关键区别在于:
- 直接返回 check 函数调用,而不是将其包装在对象中
- 不需要使用 checkConstraint 属性
多约束定义
如果需要定义多个检查约束,可以这样写:
(table) => [
check("positive_qty", sql`${table.qty} >= 0`),
check("positive_price", sql`${table.price} >= 0`)
]
其他约束类型
同样的语法规则也适用于唯一约束(Unique Constraints):
// 错误写法
(table) => [{
unqConstraint: unique("unique_name").on(table.field1, table.field2)
}]
// 正确写法
(table) => [unique("unique_name").on(table.field1, table.field2)]
版本兼容性
这个问题主要出现在 Drizzle ORM 0.36.x 版本中。建议开发者升级到最新版本(0.39.1 或更高),并确保同时更新 drizzle-kit 到最新版本(0.30.4 或更高)。
最佳实践
- 始终检查生成的 SQL 迁移文件,确认约束是否被正确包含
- 对于复杂的约束条件,可以先在数据库直接创建,然后使用 drizzle-kit pull 导入
- 考虑在应用层也实现相同的验证逻辑,作为数据库约束的补充
通过遵循这些指导原则,开发者可以充分利用 Drizzle ORM 的强大功能,同时确保数据库约束的正确实施。
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
项目优选
收起
deepin linux kernel
C
24
9
暂无简介
Dart
669
155
Ascend Extension for PyTorch
Python
219
236
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
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
🔥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
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
🎉 (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
1.19 K
653
仓颉编程语言运行时与标准库。
Cangjie
141
879