Gin-Vue-Admin项目中getXXXDataSource接口的软删除记录问题分析
在Gin-Vue-Admin项目开发过程中,开发者可能会遇到一个关于数据源获取接口的典型问题:使用代码生成的getXXXDataSource接口会意外获取到已被软删除的记录。这个问题看似简单,但背后涉及GORM框架的使用细节和软删除机制的工作原理。
问题现象
当开发者使用自动生成的getXXXDataSource接口获取数据源时,发现返回结果中包含了本应被软删除的记录。例如,在获取应用列表时,即使某些应用记录已被标记为删除,它们仍然出现在下拉选项的数据源中。
原因分析
通过查看源码可以发现,问题的根源在于查询构建方式的选择。原代码使用了Table()方法直接指定表名进行查询:
global.MustGetGlobalDBByDBName("user_manager").Table("apps").Select("name as label,id as value").Scan(&appId)
这种写法绕过了GORM的模型关联机制,导致GORM无法自动应用软删除相关的查询条件。在GORM中,软删除功能是通过模型定义中的DeletedAt字段实现的,当使用Model()方法关联模型时,GORM会自动添加WHERE deleted_at IS NULL条件。
解决方案
正确的做法是使用Model()方法关联模型结构体,而非直接使用表名:
global.MustGetGlobalDBByDBName("user_manager").Model(&userManager.Apps{}).Select("name as label,id as value").Scan(&appId)
这种写法确保了GORM能够识别模型中的软删除标记,并自动过滤掉已被软删除的记录。
深入理解
-
GORM的软删除机制:GORM通过在模型结构体中嵌入
gorm.DeletedAt字段来实现软删除功能。当使用Delete()方法时,GORM不会真正删除记录,而是更新deleted_at字段为当前时间。 -
查询构建差异:
- 使用
Table()方法:直接操作数据库表,绕过GORM的模型关联和钩子机制 - 使用
Model()方法:关联模型结构体,启用GORM的全部功能,包括软删除过滤
- 使用
-
性能考量:虽然两种写法在性能上差异不大,但
Model()方法提供了更好的类型安全和功能完整性。
最佳实践建议
- 在Gin-Vue-Admin项目中,应始终优先使用
Model()方法而非Table()方法进行查询 - 对于需要包含软删除记录的特殊场景,可以使用
Unscoped()方法显式取消软删除过滤 - 在代码生成模板中,应考虑修改默认生成的查询逻辑以避免此问题
总结
这个案例展示了框架使用细节对系统行为的重要影响。作为开发者,理解ORM框架的工作原理和最佳实践至关重要。在Gin-Vue-Admin项目中正确使用GORM的查询构建方法,不仅能避免软删除记录泄露的问题,还能确保数据访问的一致性和安全性。
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