OrchardCore项目中GraphQL排序功能异常分析与修复
2025-05-29 06:49:20作者:鲍丁臣Ursa
在OrchardCore项目的开发过程中,开发者发现GraphQL查询中的排序功能存在异常。当使用createdUtc字段进行降序排序时,返回结果的排序顺序与预期不符。
问题现象
开发者尝试通过GraphQL查询获取文章列表,并指定按createdUtc字段降序排列。查询语句如下:
query MyQuery {
article(orderBy: {createdUtc: DESC}) {
displayText
createdUtc
}
}
然而返回的结果却显示为升序排列:
{
"data": {
"article": [
{
"displayText": "First",
"createdUtc": "2025-02-11T04:51:32.6114111Z"
},
{
"displayText": "Second",
"createdUtc": "2025-02-11T04:51:41.4293335Z"
}
]
}
}
原因分析
通过查看源代码,发现问题出在排序方向的解析逻辑上。当前代码使用以下方式解析排序方向:
var direction = (OrderByDirection)property.Value.Value<int>();
这种转换方式存在两个问题:
- 它将GraphQL传入的枚举值(如"DESC")尝试转换为整数,这会导致类型转换错误
- 即使转换成功,也无法正确映射到
OrderByDirection枚举的实际值
解决方案
正确的做法应该是直接解析字符串形式的枚举值。修改后的代码如下:
var direction = Enum.Parse<OrderByDirection>(property.Value.Value<string>());
这种修改能够:
- 正确识别GraphQL传入的排序方向字符串("ASC"或"DESC")
- 将其映射到对应的
OrderByDirection枚举值 - 确保排序操作按预期执行
技术背景
这个问题源于从Newtonsoft.Json迁移到System.Text.Json(STJ)时可能引入的变更。在JSON序列化/反序列化过程中,枚举值的处理方式有所不同,需要特别注意。
在GraphQL规范中,枚举值通常以字符串形式传递,因此直接解析字符串值是最可靠的方式。这种处理方式也更具可读性,与GraphQL的查询语法更加一致。
总结
排序功能是内容管理系统中的基础且重要的功能。通过修复这个排序方向解析的问题,可以确保OrchardCore项目中的GraphQL接口能够正确响应排序请求,为用户提供准确的数据展示顺序。开发者在进行JSON序列化相关功能开发时,应当特别注意枚举类型的处理方式,特别是在不同JSON库之间的迁移过程中。
登录后查看全文
热门项目推荐
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
TextAnimator for Unity:打造专业级文字动画效果的终极解决方案 Python开发者的macOS终极指南:VSCode安装配置全攻略 全球GEOJSON地理数据资源下载指南 - 高效获取地理空间数据的完整解决方案 STM32到GD32项目移植完全指南:从兼容性到实战技巧 MQTT客户端软件源代码:物联网开发的强大工具与最佳实践指南 VSdebugChkMatch.exe:专业PDB签名匹配工具全面解析与使用指南 PANTONE潘通AI色板库:设计师必备的色彩管理利器 Python案例资源下载 - 从入门到精通的完整项目代码合集 TortoiseSVN 1.14.5.29465 中文版:高效版本控制的终极解决方案 CrystalIndex资源文件管理系统:高效索引与文件管理的最佳实践指南
项目优选
收起
deepin linux kernel
C
24
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
414
3.18 K
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
Ascend Extension for PyTorch
Python
228
258
暂无简介
Dart
679
160
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++
689
325
🔥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
65
19
React Native鸿蒙化仓库
JavaScript
265
326
🎉 (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
1.21 K
660
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
492