MyBatis-Plus逻辑删除功能对String类型主键的特殊处理
逻辑删除功能概述
MyBatis-Plus作为MyBatis的增强工具,提供了许多便捷功能,其中逻辑删除是一个常用的企业级特性。逻辑删除通过在数据表中设置一个标志位字段(如is_deleted)来标记数据是否被删除,而不是真正从数据库中物理删除记录。这种方式可以保留历史数据,便于数据恢复和审计。
问题背景
在实际开发中,我们可能会遇到主键为String类型的情况。当使用MyBatis-Plus的逻辑删除功能时,如果按照常规方式配置,可能会发现一个特殊现象:删除标志位被设置为字符串"id"而非期望的该行数据主键id列的值。
问题分析
这个问题源于MyBatis-Plus内部处理逻辑删除时的类型判断机制。当删除标志位字段类型为String时,框架会直接将TableLogic注解中delval属性的值作为字符串处理,而不会将其解析为字段引用。
具体表现为:
- 期望效果:
UPDATE table SET del_flag = id WHERE id = ? - 实际效果:
UPDATE table SET del_flag = 'id' WHERE id = ?
解决方案
针对String类型主键的逻辑删除需求,可以采用以下变通方案:
-
修改删除标志位字段类型: 将删除标志位字段的类型从String改为Object类型,这样MyBatis-Plus会将其视为字段引用而非字符串值。
-
使用枚举类型: 定义一个专门的枚举类型作为删除标志位的类型,这样可以更清晰地表达业务语义。
-
配置TableLogic注解: 在使用Object或枚举类型时,需要在TableLogic注解的val属性值前后添加单引号,以避免数据库类型转换异常。
示例配置:
@TableLogic(value = "'0'", delval = "id")
private Object delFlag;
最佳实践建议
- 在设计数据表时,如果预计会使用逻辑删除功能,建议主键使用数值类型(如Long)
- 如果必须使用String类型主键,可以考虑上述变通方案
- 对于新项目,建议统一逻辑删除标志位的类型和命名规范
- 在团队内部建立统一的逻辑删除处理规范,避免不同开发人员采用不同方案
实现原理深入
MyBatis-Plus在生成SQL时,会根据字段类型决定如何处理TableLogic注解中的值。对于String类型字段,框架会将其视为字符串直接量;而对于非String类型,则会将其解析为字段引用。这种设计虽然简化了大多数场景下的使用,但在String类型主键这种特殊情况下就需要特别注意。
总结
MyBatis-Plus的逻辑删除功能虽然强大,但在处理String类型主键时存在这一特殊行为。了解这一特性后,开发者可以根据实际业务需求选择合适的解决方案。无论是修改字段类型还是采用其他变通方案,最重要的是保持项目内部的一致性,确保逻辑删除功能的正确实现。
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