Npgsql.EntityFrameworkCore.PostgreSQL 9.0中的枚举类型迁移问题解析
在将项目从.NET 8升级到.NET 9并使用Npgsql.EntityFrameworkCore.PostgreSQL 9.0时,开发人员可能会遇到一个关于枚举类型的安全使用问题。这个问题表现为在执行数据库迁移时出现"55P04: unsafe use of new value of enum type"错误。
问题现象
当开发人员尝试执行包含枚举类型操作的数据库迁移时,PostgreSQL会抛出错误,提示"unsafe use of new value 'ParseFiles' of enum type job_type"。这个错误特别指出:"New enum values must be committed before they can be used"。
根本原因
这个问题的核心在于PostgreSQL对枚举类型的安全使用限制。在PostgreSQL中,当在一个事务中创建或修改枚举类型后,立即在同一事务中使用这个新值是不安全的。PostgreSQL要求必须先提交枚举类型的变更,然后才能在后续事务中使用这些新值。
在Npgsql.EntityFrameworkCore.PostgreSQL 9.0中,这种限制变得更加严格。当EF Core尝试在一个迁移事务中同时创建枚举类型和使用该枚举值时,PostgreSQL会拒绝执行并抛出上述错误。
解决方案
要解决这个问题,可以采取以下几种方法:
-
拆分迁移:将枚举类型的创建和使用分成两个独立的迁移。首先创建一个专门用于定义枚举类型的迁移并执行它,然后再创建使用该枚举类型的迁移。
-
使用原始SQL命令:在迁移中显式地提交事务。可以在创建枚举类型后添加一个提交命令,然后再继续执行其他操作。
-
调整迁移顺序:确保所有枚举类型都在任何使用它们的表或操作之前被创建。
最佳实践
为了避免这类问题,建议在数据库迁移设计中遵循以下原则:
-
将数据库对象的创建分为逻辑阶段:首先是类型定义(包括枚举),然后是表结构,最后是数据操作。
-
对于复杂的迁移,考虑将其拆分为多个小迁移,每个迁移专注于一个特定的变更集。
-
在开发环境中充分测试迁移脚本,特别是在升级EF Core或PostgreSQL驱动时。
-
考虑使用迁移脚本的显式事务控制,在适当的位置提交事务。
总结
Npgsql.EntityFrameworkCore.PostgreSQL 9.0对枚举类型的使用引入了更严格的安全检查,这反映了PostgreSQL本身对数据一致性的严格要求。开发人员在设计数据库迁移时需要更加注意对象创建的先后顺序和事务边界。通过合理的迁移设计和适当的拆分,可以避免这类问题并确保数据库变更的安全执行。
理解PostgreSQL的类型系统和事务语义对于设计可靠的数据库迁移至关重要。随着EF Core和Npgsql的不断演进,开发人员需要保持对这些底层机制的理解,以构建健壮的数据访问层。
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