AdonisJS Core 中 BelongsTo 关系查询返回 null 的问题分析
问题背景
在使用 AdonisJS Core 5.8.0 版本时,开发者遇到了一个关于 BelongsTo 关系查询的异常情况。具体表现为:即使数据库中存在有效的外键关联,通过 BelongsTo 关系查询时却返回了 null 值。
问题现象
在业务逻辑中,系统需要根据名人(Celebrity)关联的业务(Business)获取对应的子分类(Subsegment)。开发者设计了以下模型关系:
- Subsegment 模型:表示业务子分类
- SubsegmentsBusinesses 模型:表示业务与子分类的关联
- Celebrity 模型:表示名人,通过多对多关系与业务关联
在 Celebrity 模型中,开发者定义了一个计算属性 allowedSubsegments,用于获取名人允许的所有子分类。这个属性通过遍历名人的关联业务,然后获取每个业务对应的子分类来实现。
问题表现
在查询过程中,部分业务的子分类关系返回了 null,即使:
- 数据库中存在有效的外键关联(subsegment_id)
- 外键字段在数据库中被正确设置为非空
- 查询使用了正确的数据库连接
深入分析
通过进一步排查,发现问题实际上是由于软删除机制导致的。在 Subsegment 模型中,开发者实现了软删除功能:
@column.dateTime({ serializeAs: null })
public deletedAt: DateTime
@beforeFind()
@beforeFetch()
public static ignoreDeleted(query: ModelQueryBuilderContract<typeof Subsegment>) {
query.whereNull('deleted_at')
}
当子分类被软删除后,虽然业务记录仍然保留着对它的外键引用,但由于查询时自动添加了 whereNull('deleted_at') 条件,导致被软删除的子分类无法被查询到,从而返回 null。
解决方案
针对这个问题,开发者可以考虑以下几种解决方案:
-
修改业务逻辑:如果子分类被软删除,应该视为无效关联,从结果中排除这些业务记录。
-
特殊处理软删除记录:如果需要保留这些关联,可以临时禁用软删除过滤:
.preload('allowedBusinesses', (builder) => { builder.preload('subsegment', (subsegmentQuery) => { subsegmentQuery.withTrashed() // 如果框架支持 }) }) -
修改计算属性逻辑:在计算属性中显式处理 null 情况:
@computed() public get allowedSubsegments() { const allowedSubsegmentsObject: Record<number, Subsegment> = [] for (const business of this.allowedBusinesses) { if (business.subsegment) { // 显式检查 allowedSubsegmentsObject[business.subsegmentId] = business.subsegment } } return Object.values(allowedSubsegmentsObject) }
最佳实践建议
-
明确软删除的语义:在设计软删除功能时,应该明确其在整个系统中的含义。是被删除的数据完全不可见,还是部分场景可见。
-
文档记录:对于重要的模型关系,特别是涉及软删除的,应该在文档中明确说明其行为。
-
统一处理策略:在整个项目中保持对软删除数据的一致处理方式,避免不同模块采用不同策略。
-
考虑使用视图或派生表:对于复杂的关联查询,可以考虑使用数据库视图或派生表来简化应用层逻辑。
总结
这个问题展示了在使用 ORM 时,特别是结合软删除功能时可能遇到的陷阱。AdonisJS 的 Lucid ORM 提供了强大的关系管理功能,但在使用时需要特别注意各种钩子和作用域对查询结果的影响。通过理解框架的行为和合理设计数据模型,可以避免这类问题的发生。
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