Hyperf框架中实现单表字段版多租户方案详解
2025-06-03 03:22:29作者:郁楠烈Hubert
多租户架构概述
多租户架构是现代SaaS应用的核心设计模式,它允许单个应用实例为多个客户(租户)提供服务,同时保持数据隔离。在数据库层面,多租户通常有三种实现方式:
- 独立数据库:每个租户使用完全独立的数据库实例
- 共享数据库独立Schema:同一数据库实例中不同租户使用不同Schema
- 共享数据库共享表:所有租户数据存储在相同表中,通过租户ID字段区分
本文重点介绍第三种方案——单表字段版多租户在Hyperf框架中的优雅实现。
Hyperf多租户实现方案
核心设计思路
该方案通过Hyperf的全局作用域(Global Scope)和模型特性(Trait)机制,实现了以下功能:
- 自动为所有查询添加租户过滤条件
- 提供灵活的租户字段配置
- 支持临时取消租户过滤
- 支持指定查询特定租户数据
代码实现解析
TenantTrait 租户特性
trait TenantTrait
{
use HasGlobalScopes;
public static function bootTenantTrait(): void
{
static::addGlobalScope(new TenantScope());
}
public static function scopeTenant(Builder $builder, array|string $_tenantId): Builder
{
if (empty($_tenantId)) {
return $builder;
}
return $builder->withoutGlobalScope(TenantScope::class)
->withGlobalScope(TenantScope::class, function (Builder $builder) use ($_tenantId) {
$builder->whereIn($builder->getModel()->getQualifiedTenantIdColumn(), $_tenantId);
});
}
public function getQualifiedTenantIdColumn(): string
{
return $this->qualifyColumn(empty($this->tenant) ? 'tenant_id' : $this->tenant);
}
}
关键点解析:
bootTenantTrait方法在模型初始化时自动注册全局作用域scopeTenant方法提供链式调用,可指定查询特定租户数据getQualifiedTenantIdColumn方法支持自定义租户字段名
TenantScope 租户作用域
class TenantScope implements Scope
{
public function apply(Builder $builder, Model $model): Builder
{
return $builder->whereIn($model->getQualifiedTenantIdColumn(), ['租户ID获取逻辑']);
}
}
关键点解析:
- 实现Scope接口的apply方法,自动为查询添加租户过滤
- 租户ID可通过业务逻辑动态获取(如从JWT、Session等)
使用方式
- 基础使用:在模型基类中use TenantTrait,所有继承该基类的模型自动具备多租户能力
- 自定义租户字段:在模型中定义$tenant属性可指定租户字段名
- 特定场景查询:
// 查询特定租户数据 Model::tenant([1, 2])->where(...)->get(); // 临时取消租户过滤 Model::withoutGlobalScope(TenantScope::class)->get();
方案优势
- 无侵入性:通过Trait方式实现,不影响现有业务代码
- 灵活性:支持动态指定租户字段和租户ID
- 安全性:默认全局过滤,避免数据泄露风险
- 性能优化:基于数据库原生WHERE条件过滤,效率高
实际应用建议
-
租户ID获取逻辑应根据实际业务场景实现,常见方式包括:
- 从JWT令牌解析
- 从Session获取
- 从请求头/URL参数获取
-
对于超级管理员等需要查看所有租户数据的场景,可通过中间件动态设置租户ID范围
-
在数据量大的情况下,建议为租户字段添加索引优化查询性能
该方案已在多个生产环境中验证,是Hyperf框架下实现多租户的高效可靠方案。
登录后查看全文
热门项目推荐
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
热门内容推荐
最新内容推荐
绝杀 Tauri/Pake Mac 打包报错:`failed to run xattr` 的底层逻辑与修复方案避坑指南:Pake 打包网页为何“高级功能失效”?深度解析拖拽与下载的底层限制Tauri/Pake 体积极限优化:如何把 12MB 的应用无情压榨到 2MB 以内?受够了 100MB+ 的套壳 App?最强 Electron 替代方案 Pake 深度测评与原理解析告别臃肿积木!用 Pake 1 分钟把任意网页变成 3MB 桌面 App(附国内极速环境包)智能票务抢票系统:突破手动抢票瓶颈的效率革命方案如何利用Path of Building PoE2高效规划流放之路2角色构建代码驱动的神经网络可视化:用PlotNeuralNet绘制专业架构图whisper.cpp CUDA加速实战指南:让语音识别效率提升6倍的技术解析Windows 11系统PicGo高效解决安装与更新全流程指南
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
663
4.27 K
deepin linux kernel
C
28
15
Ascend Extension for PyTorch
Python
506
612
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++
941
868
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
394
292
暂无简介
Dart
911
219
🎉 (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
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++
124
198
昇腾LLM分布式训练框架
Python
142
168
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.07 K
557