Drift项目中int64类型在自定义查询中的处理方式
概述
在使用Drift(原Moor)这个Dart/Flutter的SQLite数据库库时,开发者可能会遇到一个关于int64类型处理的有趣问题。当执行自定义SQL查询时,int64类型的列会返回Dart的int类型而非预期的BigInt类型。本文将深入探讨这一现象的原因及解决方案。
现象描述
在Drift项目中定义了一个包含Int64Column的表后,如果通过自定义SQL查询该列,返回的结果会是Dart的int类型而非BigInt。例如:
final changes = await runSelect(inner, "SELECT id FROM change_logs", []);
print(changes.first["id"] is BigInt); // 输出false
底层机制分析
这一现象的根本原因在于底层SQLite驱动package:sqlite3在Web环境下的特殊处理方式:
-
自动类型转换:
sqlite3在Web环境下会将数据库中的整数自动转换为JavaScript的Number(对应Dart的double),前提是该数值可以无损地表示为双精度浮点数。 -
大整数处理:只有当数值过大无法用双精度浮点数精确表示时,才会返回
BigInt类型。 -
Drift的类型映射:在常规Drift查询中,Drift会根据表定义中的列类型信息(如
Int64Column)自动将返回的数值转换为BigInt。但对于自定义SQL查询,由于缺乏类型上下文,这种自动转换不会发生。
解决方案
当确实需要BigInt类型时,可以采用以下方法进行手动转换:
BigInt toBigInt(dynamic sqlValue) {
if (sqlValue is BigInt) {
return sqlValue;
} else if (sqlValue is int) {
return BigInt.from(sqlValue);
} else {
return BigInt.parse(sqlValue.toString());
}
}
这个方法可以确保无论底层返回的是int还是BigInt,最终都能得到一致的BigInt类型结果。
最佳实践建议
-
类型一致性:如果项目中大量使用大整数,建议统一使用
BigInt类型以避免潜在的类型混淆问题。 -
性能考量:对于确定不会超过普通
int范围(-2^63到2^63-1)的数值,可以直接使用int类型以获得更好的性能。 -
自定义查询处理:在编写自定义SQL查询时,应当明确处理可能的类型转换,特别是在涉及大整数运算或比较的场景中。
总结
Drift项目中int64类型在自定义查询中返回int而非BigInt的行为,是底层SQLite驱动在Web环境下优化类型转换的结果。理解这一机制有助于开发者编写更健壮的数据库操作代码,特别是在需要精确处理大整数的场景中。通过适当的类型转换处理,可以确保数据类型在整个应用中的一致性。
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