Spring-data-jpa和mybatis的比较及两者的优缺点?
ztj100 2025-01-07 17:22 44 浏览 0 评论
1. spring data jpa实现了jpa(java persistence api)功能,即可以实现pojo转换为关系型数据库记录的功能,通俗来讲就是可以不写任何的建表sql语句了。jpa是spring data jpa功能的一个子集。
而mybatis并没有jpa功能,建表语句还是要自己写的。
2. spring data jpa是全自动框架,不需要写任何sql。而mybatis是半自动框架,需要自己写sql,mybatis-plus为mybatis赋能,使其也可以基本上不需要写任何模板sql。
3. debug模式下看生成的sql,mybatis下的sql可读性很好,而spring data jpa下的查询sql可读性并不好。
如spring data jpa的findOne(id)方法,执行的sql如下,看起来很奇怪,不是很直接。
4. spring data jpa的insert与update都调用同一个方法save,如果带有主键id(如果启用了乐观锁,那么还有version字段),那么就是更新,否则就是新增,所以addOrUpdate是一个接口,而mybatis中提供insert方法和updateById方法。
由于spring data jpa调用同一个方法,所以其要执行两条sql,先执行查询,再执行插入/更新。
另外就是返回值,spring data jpa的返回值是Employee对象,而mybatis的返回值是影响的行数,当然mybatis也可以得到新增后的id,返回新增后的对象
5. spring data jpa的dynamic sql是使用JpaSpecificationExecutor,而mybatis中是使用xml来构造dynamic sql。
当我执行分页查询的时候,spring data jpa实际上是调用了两个sql语句
通过count获得总记录数,即当用到Pageable的时候会执行一条count语句,这可能是很昂贵的操作,因为count操作在innodb中要扫描所有的叶子节点
通过limit来获得分页记录
mybatis获得总记录数好像并不是通过执行count语句来获得的,可能是通过游标cursor的方式来获得的,通过druid监控,其只执行一条sql语句
6. spring data jpa支持自己来写sql语句,有两种方式:
1)@Query或@Modifying配合@Query
2)通过entityManager
但要注意的是:如果自己写sql语句,那么有些拦截器可能并不能起作用,如@PreUpdate
相对来说,mybatis就比较简单,直接在mapper xml中写sql就可以了
ORM框架使用中的常见需求
1. 后管系统做查询的时候,多个条件通过一个接口进行查询,带了哪个字段就加一段sql过滤,通过mybatis如何实现?
通过mybatis的dynamic sql是可以实现的,类似getEmpsByCondition,携带了哪个字段,查询条件就带上这个字段的值
似乎只能通过写mapper xml来做逻辑判断
spring data jpa是通过多个Predicate构造Specification创建where条件的,都是通过代码来控制逻辑的
2自动设置创建时间/更新时间
mybatis 也是使用metaObjectHandler来做?
还是通过拦截器来做?
还是只创建这两个字段,通过数据库语句来控制?
spring data jpa中有entityListener,可以不操作数据库,来实现此功能
3.字段自动加解密?
不知道如何实现自动
在mybatis中,查询出来之后做混淆处理
在spring data jpa中,使用entityManager查询出来之后做混淆处理
4. 乐观锁功能
mybatis-plus提供了optimistic-lock plugin
spring data jpa也提供了@version注解来做
5. 逻辑删除
mybatis-plus逻辑删除是放在DefaultSqlInjector中的
spring data jpa要自己写sql来实现逻辑删除
如果本文对你有帮助,别忘记给我个3连 ,点赞,转发,评论,
,咱们下期见。收藏 等于白嫖,点赞才是真情。
相关推荐
- 其实TensorFlow真的很水无非就这30篇熬夜练
-
好的!以下是TensorFlow需要掌握的核心内容,用列表形式呈现,简洁清晰(含表情符号,<300字):1.基础概念与环境TensorFlow架构(计算图、会话->EagerE...
- 交叉验证和超参数调整:如何优化你的机器学习模型
-
准确预测Fitbit的睡眠得分在本文的前两部分中,我获取了Fitbit的睡眠数据并对其进行预处理,将这些数据分为训练集、验证集和测试集,除此之外,我还训练了三种不同的机器学习模型并比较了它们的性能。在...
- 机器学习交叉验证全指南:原理、类型与实战技巧
-
机器学习模型常常需要大量数据,但它们如何与实时新数据协同工作也同样关键。交叉验证是一种通过将数据集分成若干部分、在部分数据上训练模型、在其余数据上测试模型的方法,用来检验模型的表现。这有助于发现过拟合...
- 深度学习中的类别激活热图可视化
-
作者:ValentinaAlto编译:ronghuaiyang导读使用Keras实现图像分类中的激活热图的可视化,帮助更有针对性...
- 超强,必会的机器学习评估指标
-
大侠幸会,在下全网同名[算法金]0基础转AI上岸,多个算法赛Top[日更万日,让更多人享受智能乐趣]构建机器学习模型的关键步骤是检查其性能,这是通过使用验证指标来完成的。选择正确的验证指...
- 机器学习入门教程-第六课:监督学习与非监督学习
-
1.回顾与引入上节课我们谈到了机器学习的一些实战技巧,比如如何处理数据、选择模型以及调整参数。今天,我们将更深入地探讨机器学习的两大类:监督学习和非监督学习。2.监督学习监督学习就像是有老师的教学...
- Python 模型部署不用愁!容器化实战,5 分钟搞定环境配置
-
你是不是也遇到过这种糟心事:花了好几天训练出的Python模型,在自己电脑上跑得顺顺当当,一放到服务器就各种报错。要么是Python版本不对,要么是依赖库冲突,折腾半天还是用不了。别再喊“我...
- 神经网络与传统统计方法的简单对比
-
传统的统计方法如...
- 自回归滞后模型进行多变量时间序列预测
-
下图显示了关于不同类型葡萄酒销量的月度多元时间序列。每种葡萄酒类型都是时间序列中的一个变量。假设要预测其中一个变量。比如,sparklingwine。如何建立一个模型来进行预测呢?一种常见的方...
- 苹果AI策略:慢哲学——科技行业的“长期主义”试金石
-
苹果AI策略的深度原创分析,结合技术伦理、商业逻辑与行业博弈,揭示其“慢哲学”背后的战略智慧:一、反常之举:AI狂潮中的“逆行者”当科技巨头深陷AI军备竞赛,苹果的克制显得格格不入:功能延期:App...
- 时间序列预测全攻略,6大模型代码实操
-
如果你对数据分析感兴趣,希望学习更多的方法论,希望听听经验分享,欢迎移步宝藏公众号...
你 发表评论:
欢迎- 一周热门
- 最近发表
- 标签列表
-
- idea eval reset (50)
- vue dispatch (70)
- update canceled (42)
- order by asc (53)
- spring gateway (67)
- 简单代码编程 贪吃蛇 (40)
- transforms.resize (33)
- redisson trylock (35)
- 卸载node (35)
- np.reshape (33)
- torch.arange (34)
- npm 源 (35)
- vue3 deep (35)
- win10 ssh (35)
- vue foreach (34)
- idea设置编码为utf8 (35)
- vue 数组添加元素 (34)
- std find (34)
- tablefield注解用途 (35)
- python str转json (34)
- java websocket客户端 (34)
- tensor.view (34)
- java jackson (34)
- vmware17pro最新密钥 (34)
- mysql单表最大数据量 (35)