首页
/ Drizzle-ORM 中 BigInt 序列化问题的分析与解决方案

Drizzle-ORM 中 BigInt 序列化问题的分析与解决方案

2025-05-06 20:21:30作者:胡易黎Nicole

问题背景

在使用 Drizzle-ORM 与 Fastify/NestJS 构建应用时,开发者可能会遇到一个常见的错误:"TypeError: Do not know how to serialize a BigInt"。这个问题通常出现在处理 PostgreSQL 数据库中的 bigserial 或 bigint 类型字段时。

问题根源

这个问题的本质在于 JavaScript 的 JSON.stringify() 方法无法直接序列化 BigInt 类型。当 Drizzle-ORM 从数据库查询返回包含 BigInt 类型的数据,而应用框架(如 Fastify 或 Express)尝试将这些数据序列化为 JSON 响应时,就会抛出上述错误。

Drizzle-ORM 的默认行为

Drizzle-ORM 在处理 bigserial 和 bigint 类型时有一些值得注意的行为差异:

  1. 对于 bigserial 类型,Drizzle-Kit 默认生成 {mode: 'bigint'} 的配置
  2. 对于普通 bigint 类型(特别是外键字段),Drizzle-Kit 会默认生成 {mode: 'number'} 的配置,并附带注释说明可以使用 bigint 模式来处理超出 JavaScript 数字限制的情况

解决方案

方案一:修改模式为 number

最直接的解决方案是在定义 bigserial 字段时显式指定 mode 为 number:

id: bigserial('id', {mode: 'number'}).primaryKey().notNull()

这种方案简单有效,但需要注意可能丢失精度的问题,因为 JavaScript 的 number 类型只能安全表示 ±(2^53-1) 范围内的整数。

方案二:自定义序列化逻辑

对于需要处理超大整数的场景,可以保留 bigint 模式,但需要实现自定义的序列化逻辑。常见方法包括:

  1. 在应用层添加 BigInt 的序列化支持
  2. 使用中间件转换 BigInt 为字符串
  3. 在 DTO 转换时处理 BigInt 字段

方案三:统一模式配置

为了保持一致性,建议在项目中统一 bigserial 和 bigint 的模式配置。如果大部分场景不需要处理超大整数,可以全局使用 number 模式;否则,统一使用 bigint 模式并实现相应的序列化支持。

最佳实践建议

  1. 对于主键 ID 等通常不会达到超大值的字段,优先使用 number 模式
  2. 在项目早期明确是否需要处理超大整数,统一配置模式
  3. 在 API 文档中明确说明可能存在的整数精度限制
  4. 考虑在数据库模型定义中添加注释说明模式选择的原因

总结

Drizzle-ORM 的 BigInt 序列化问题是一个典型的 JavaScript 类型系统与数据库类型系统之间的阻抗匹配问题。通过理解问题本质和 Drizzle-ORM 的行为模式,开发者可以做出合理的架构决策,平衡开发便利性和功能完整性。

登录后查看全文

项目优选

收起
kernelkernel
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
511
551
docsdocs
暂无描述
Markdown
854
5.69 K
ops-transformerops-transformer
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
1.05 K
2.5 K
kernelkernel
deepin linux kernel
C
33
16
pytorchpytorch
作为 Ascend for PyTorch 社区的核心组件,TorchNPU 是昇腾专为 PyTorch 打造的深度学习适配插件,使 PyTorch 框架能够直接调用昇腾 NPU,为开发者提供昇腾 AI 处理器的超强算力。
Python
840
1.28 K
ops-nnops-nn
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
849
1.71 K
ops-mathops-math
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++
1.25 K
1.38 K
jiuwenswarmjiuwenswarm
JiuwenSwarm 是一款基于openJiuwen开发的智能AI Agent,它能够将大语言模型的强大能力,通过你日常使用的各类通讯应用,直接延伸至你的指尖。
Python
3.34 K
859
AscendNPU-IRAscendNPU-IR
AscendNPU-IR是基于MLIR(Multi-Level Intermediate Representation)构建的,面向昇腾亲和算子编译时使用的中间表示,提供昇腾完备表达能力,通过编译优化提升昇腾AI处理器计算效率,支持通过生态框架使能昇腾AI处理器与深度调优
C++
511
347
cann-learning-hubcann-learning-hub
CANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。
Jupyter Notebook
789
414