Kysely 条件性使用 RETURNING 子句的最佳实践
2025-05-19 16:17:30作者:袁立春Spencer
Kysely 是一个强大的 TypeScript SQL 查询构建器,在处理数据库插入操作时,开发者经常需要根据不同的场景决定是否返回插入的数据。本文将深入探讨如何在 Kysely 中灵活控制 RETURNING 子句的使用。
基础用法回顾
在 Kysely 中,标准的插入操作并返回指定列的写法如下:
const result = await db
.insertInto('user')
.values(userData)
.returning(['id', 'name'])
.executeTakeFirst();
这种写法会明确要求数据库返回 id 和 name 列的值。
条件性 RETURNING 的需求场景
在实际开发中,我们经常会遇到需要根据条件决定是否返回数据的场景:
- 某些情况下只需要确认插入成功,不需要返回数据
- 不同业务场景需要返回不同的列组合
- 需要根据运行时条件动态决定返回哪些字段
解决方案:使用 $if 方法
Kysely 提供了 $if 方法来实现条件性查询构建:
const shouldReturnId = true; // 可根据业务逻辑动态决定
const result = await db
.insertInto('user')
.values(userData)
.$if(shouldReturnId, qb => qb.returning(['id']))
.executeTakeFirst();
当 shouldReturnId 为 false 时,RETURNING 子句将不会被包含在生成的 SQL 中。
高级用法示例
我们可以基于更复杂的条件来构建查询:
const returnColumns = getReturnColumnsBasedOnContext(); // 可能是 ['id'] 或 ['id', 'email'] 或 []
const query = db
.insertInto('user')
.values(userData);
if (returnColumns.length > 0) {
query.returning(returnColumns);
}
const result = await query.executeTakeFirst();
或者使用更函数式的风格:
function buildInsertQuery(returnColumns: string[] = []) {
return db
.insertInto('user')
.values(userData)
.$if(returnColumns.length > 0, qb => qb.returning(returnColumns));
}
性能考虑
- 当不需要返回数据时,省略 RETURNING 子句可以减少数据库的工作量
- 只返回必要的列可以降低网络传输的数据量
- 在批量插入时,不必要地返回数据可能会显著影响性能
类型安全提示
Kysely 的类型系统能够很好地处理条件性 RETURNING:
- 当使用 RETURNING 时,返回类型会包含指定的列
- 当不使用 RETURNING 时,返回类型会是更简单的确认结果
开发者无需担心类型安全问题,TypeScript 会根据实际构建的查询提供正确的类型推断。
总结
Kysely 提供了灵活的方式来控制 RETURNING 子句的使用,开发者可以根据实际需求选择最适合的方法。无论是简单的条件判断,还是复杂的动态列选择,Kysely 都能提供类型安全且高效的解决方案。
登录后查看全文
热门项目推荐
相关项目推荐
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
项目优选
收起
deepin linux kernel
C
28
15
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
663
4.27 K
🎉 (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
1.54 K
894
Ascend Extension for PyTorch
Python
506
612
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
392
290
暂无简介
Dart
909
219
🔥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
69
21
昇腾LLM分布式训练框架
Python
142
168
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++
940
867
🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
1.33 K
108