JeecgBoot项目中多角色数据权限的AND与OR逻辑处理
2025-05-02 11:46:11作者:江焘钦
在JeecgBoot 3.6.3版本中,当用户拥有多个角色且每个角色配置了不同的数据权限时,系统默认会使用AND逻辑拼接这些数据权限条件。这种处理方式在某些业务场景下可能会导致查询结果不符合预期。
问题背景分析
在实际业务中,经常会遇到一个用户同时拥有多个角色的情况。例如:
- 用户A同时担任B部门主管和C部门主管
- B部门主管角色配置了只能查看B部门数据的数据权限
- C部门主管角色配置了只能查看C部门数据的数据权限
按照系统默认的AND逻辑处理方式,查询条件会被组合为"部门=B AND 部门=C",这显然无法返回任何结果,因为一个数据记录不可能同时属于两个部门。
解决方案探讨
JeecgBoot框架提供了两种解决这一问题的方案:
1. 使用Shiro注解控制角色逻辑
可以在Controller方法上使用Shiro的@RequiresRoles注解,并通过logical参数指定角色之间的逻辑关系:
@RequiresRoles(value = {"admin", "test"}, logical = Logical.OR)
public void someMethod() {
// 方法实现
}
这种方式适用于角色级别的权限控制,但不会直接影响数据权限的SQL拼接逻辑。
2. 修改QueryGenerator的数据权限处理逻辑
更直接的解决方案是修改QueryGenerator类中的installMplus方法,将默认的AND逻辑改为OR逻辑:
// 修改前
queryWrapper.and(...);
// 修改后
queryWrapper.or(...);
这种修改会直接影响数据权限条件的拼接方式,使得多个角色的数据权限条件使用OR逻辑组合,从而解决上述业务场景中的问题。
实现建议
对于大多数业务场景,建议采用第二种方案,即修改QueryGenerator的数据权限处理逻辑。这种修改更加直接,能够确保数据权限查询结果符合业务预期。
如果采用第一种方案,虽然可以实现角色级别的权限控制,但不会改变数据权限条件的拼接方式,可能无法完全解决问题。
注意事项
在进行此类修改时,需要考虑以下因素:
- 安全性影响:OR逻辑可能会扩大数据访问范围,需确保不会导致数据泄露
- 性能影响:OR条件可能会影响查询性能,特别是当条件复杂时
- 业务一致性:确保修改后的逻辑符合所有相关业务场景的需求
建议在修改后进行充分的测试,包括功能测试和性能测试,以确保系统行为符合预期。
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
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
413
3.18 K
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++
690
325
Ascend Extension for PyTorch
Python
229
258
暂无简介
Dart
679
160
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
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
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
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
346
147