Adminer调用PostgreSQL函数时数组参数传递问题解析
在使用Adminer 5.2.1管理PostgreSQL 14.17数据库时,开发者遇到了一个关于函数调用的特殊问题。当尝试调用返回表格数据的PostgreSQL函数时,系统报错提示"column does not exist",而实际上该列名是函数返回结果的列名而非数据库表中的列。
问题现象
开发者定义了一个名为get_vehicle_counts_by_report_category_and_age的函数,该函数接收多个参数并返回包含车辆年龄、报告类别ID和车辆数量的结果集。在Adminer界面中调用此函数时,系统错误地将返回结果的列名vehicle_age_in_months识别为数据库列,导致查询失败。
问题根源
经过分析,这个问题源于Adminer对PostgreSQL函数参数处理的两个关键点:
-
数组参数格式处理:PostgreSQL要求数组参数使用
'{}'格式传入,而Adminer生成的查询中使用了JSON数组格式'["912-19"]',这与PostgreSQL的数组输入规范不符。 -
输出列名识别:Adminer错误地将函数返回结果中的列名
vehicle_age_in_months解析为查询中的实际列名,而非结果集的列名。
解决方案
针对这个问题,Adminer开发团队已经进行了修复,主要改进包括:
-
修正了数组参数的传递格式,确保符合PostgreSQL规范,使用
'{}'而非JSON格式。 -
优化了函数调用时对返回列名的处理逻辑,避免将结果列名误认为查询列名。
技术要点
对于PostgreSQL函数调用,开发者需要注意以下几点:
-
数组参数传递:在PostgreSQL中,数组参数应使用
'{value1,value2}'格式传递,而不是JSON格式。 -
函数返回处理:当函数返回表格数据时,Adminer会将返回的列名作为结果集的列名处理,不应将这些列名与数据库实际列名混淆。
-
参数默认值:PostgreSQL函数支持参数默认值,在Adminer中调用时可以省略有默认值的参数。
最佳实践
为避免类似问题,建议:
-
在Adminer中调用PostgreSQL函数时,确保参数格式符合PostgreSQL规范。
-
对于复杂参数类型(如数组),先在PostgreSQL命令行或其它客户端测试确认正确的传递格式。
-
保持Adminer版本更新,以获取最新的功能改进和错误修复。
-
在定义返回表格数据的函数时,明确指定返回列名和数据类型,避免歧义。
通过理解这些技术细节,开发者可以更有效地使用Adminer管理PostgreSQL数据库,并正确处理函数调用中的各种参数类型。
kernelopenEuler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。C033
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
kylin-wayland-compositorkylin-wayland-compositor或kylin-wlcom(以下简称kywc)是一个基于wlroots编写的wayland合成器。 目前积极开发中,并作为默认显示服务器随openKylin系统发布。 该项目使用开源协议GPL-1.0-or-later,项目中来源于其他开源项目的文件或代码片段遵守原开源协议要求。C00
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-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
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