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。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00