FreeSql中忽略自增列在On Conflict Do Update时的处理技巧
在使用FreeSql进行PostgreSQL数据库操作时,开发者可能会遇到一个常见问题:当使用OnConflictDoUpdate功能时,即使通过IgnoreColumns方法尝试忽略自增列,这些列仍然会被包含在INSERT语句中。本文将深入分析这一现象的原因,并提供几种实用的解决方案。
问题现象分析
当实体类中标记了[Column(IsIdentity = true)]特性的属性时,FreeSql默认会将这些自增列包含在所有INSERT操作中。即使使用了以下两种方式尝试忽略:
- 使用
IgnoreColumns方法显式忽略 - 使用
InsertColumns方法指定只插入特定列
生成的SQL语句仍然会包含自增列,例如:
INSERT INTO CodeFirstEntity(id, identity, str_name) VALUES(1, 0, 'name')
ON CONFLICT(id) DO NOTHING
而开发者期望的SQL应该是:
INSERT INTO CodeFirstEntity(id, str_name) VALUES(1, 'name')
ON CONFLICT(id) DO NOTHING
解决方案
方案一:移除IsIdentity特性
最直接的解决方案是从实体类中移除IsIdentity = true的特性标记:
[Column(Name = "identity", CanInsert = false)]
public long Identity { get; set; }
但这种方法不适用于需要依赖FreeSql自动建表的场景,因为自增特性在建表时是必要的。
方案二:使用DTO模式
创建一个专门用于插入操作的DTO类,不包含自增属性:
public class CodeFirstEntityInsertDto
{
public long Id { get; set; }
public string str_name { get; set; } = string.Empty;
}
// 使用方式
var dto = new CodeFirstEntityInsertDto
{
Id = 1,
str_name = "name"
};
var sql = fsql.Insert(dto)
.NoneParameter()
.OnConflictDoUpdate()
.DoNothing()
.ToSql();
这种方法虽然需要额外维护一个DTO类,但能很好地解决插入时的列控制问题。
方案三:动态修改插入列
对于不想创建额外类的情况,可以使用匿名对象动态指定插入列:
var sql = fsql.Insert<CodeFirstEntity>()
.AppendData(new { Id = 1, str_name = "name" })
.NoneParameter()
.OnConflictDoUpdate()
.DoNothing()
.ToSql();
技术原理
FreeSql在设计上对自增列有特殊处理逻辑。当属性标记为IsIdentity = true时,FreeSql会认为该列是表结构的重要组成部分,因此在生成SQL时会优先考虑包含这些列,以确保数据完整性。这种设计在大多数情况下是有益的,但在使用PostgreSQL的ON CONFLICT语法时可能会带来不便。
最佳实践建议
-
对于需要频繁使用
OnConflictDoUpdate的场景,建议采用DTO模式,保持实体类的完整性同时获得灵活的插入控制。 -
如果项目中有大量此类需求,可以考虑扩展FreeSql的功能,通过自定义插入生成器来覆盖默认行为。
-
在设计数据库表时,合理规划自增列的使用,避免在不必要的列上设置自增属性。
通过以上方法,开发者可以灵活处理FreeSql中自增列在冲突更新时的插入行为,满足各种业务场景的需求。
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