Prisma数据聚合与字段扩展教程

文章不知道大家是否熟悉？今天我将给大家介绍《Prisma 数据聚合与字段扩展查询教程》，这篇文章主要会讲到等等知识点，如果你在看完本篇文章后，有更好的建议或者发现哪里有问题，希望大家都能积极评论指出，谢谢！希望我们能一起加油进步！

本文深入探讨在Prisma中如何对关联模型的数据进行聚合（如求和），并同时获取关联实体的额外字段信息。针对Prisma groupBy操作当前不支持直接include或select关联字段的限制，文章提出了一种分步查询的有效策略：首先使用groupBy完成数据聚合，然后通过迭代聚合结果，为每个分组单独查询并补充关联实体的详细信息，最终实现包含聚合数据和关联字段的完整输出。

在现代应用开发中，数据聚合是常见的需求，尤其是在处理具有一对多或多对多关系的模型时。例如，我们可能需要计算每个管理员（admins）的总支付金额（payment），并同时获取管理员的姓名等详细信息。Prisma作为一款强大的ORM，提供了groupBy方法来实现数据聚合。然而，其在处理关联字段时存在一定的局限性。

Prisma groupBy操作的局限性

考虑以下两个Prisma模型定义，它们描述了管理员与其支付记录之间的关系：

model admins {
  id        Int       @id @default(autoincrement())
  name      String
  last_name String
  phone     String    @unique
  email     String?   @unique
  nic       String?   @unique
  image     String?
  payments  payment[] // 一个管理员可以有多条支付记录
}

model payment {
  id          Int       @id @default(autoincrement())
  amount      Int
  description String?
  date        DateTime? @db.Date
  admin_id    Int
  admins      admins    @relation(fields: [admin_id], references: [id]) // 支付记录属于一个管理员
}

为了获取每个管理员的支付总额，我们自然会想到使用prisma.payment.groupBy方法：

const data = await prisma.payment.groupBy({
  by: ["admin_id"],
  _sum: {
    amount: true,
  },
});
console.log(data);

上述查询会返回类似以下的结果：

[
  { _sum: { amount: 1650 }, admin_id: 1 },
  { _sum: { amount: 2000 }, admin_id: 2 }
]

这个结果包含了每个admin_id对应的支付总额。然而，实际需求往往希望在聚合结果中直接包含关联模型的字段，例如管理员的name和last_name，期望得到类似如下的结构：

[
  { _sum: { amount: 1650 }, admin_id: 1, name: "admin-name-1", last_name: "admin-last-name-1" },
  { _sum: { amount: 2000 }, admin_id: 2, name: "admin-name-2", last_name: "admin-last-name-2" }
]

遗憾的是，Prisma的groupBy操作目前（截至本文撰写时）不支持直接通过include或select来获取关联模型的字段。这意味着我们无法在一次groupBy查询中同时完成聚合和关联字段的获取。

两阶段查询策略实现关联字段扩展

针对Prisma groupBy的这一限制，我们可以采用一种分阶段的查询策略来达到目标。这种方法分为两个主要步骤：首先执行聚合查询，然后根据聚合结果补充关联模型的详细信息。

阶段一：聚合支付总额

第一步是利用groupBy方法，专注于计算每个管理员的支付总额。这一步与前面尝试的查询相同：

const paymentData = await prisma.payment.groupBy({
  by: ["admin_id"],
  _sum: {
    amount: true,
  },
});

// paymentData 示例:
// [
//   { _sum: { amount: 1650 }, admin_id: 1 },
//   { _sum: { amount: 2000 }, admin_id: 2 }
// ]

paymentData数组包含了每个admin_id及其对应的支付总额。

阶段二：补充管理员信息

获取到聚合数据后，我们可以遍历paymentData数组。对于数组中的每一个聚合结果，我们利用其admin_id去admins模型中查询对应的管理员详细信息（name和last_name），然后将这些信息合并到原有的聚合结果中。为了提高效率，特别是当paymentData包含大量分组时，我们应该使用Promise.all来并发执行这些独立的管理员信息查询。

const dataWithAdminInfo = await Promise.all(paymentData.map(async (item) => {
  // 对于每一个聚合结果，根据admin_id查询对应的管理员信息
  const admin = await prisma.admins.findUnique({
    where: { id: item.admin_id }
  });

  // 返回包含聚合数据和管理员信息的合并对象
  return {
    ...item, // 展开原有的聚合数据 (_sum, admin_id)
    name: admin.name,
    last_name: admin.last_name
  };
}));

console.log(dataWithAdminInfo);

执行上述代码后，dataWithAdminInfo将包含我们期望的结构，即每个管理员的支付总额以及他们的姓名和姓氏：

[
  { _sum: { amount: 1650 }, admin_id: 1, name: "John", last_name: "Doe" },
  { _sum: { amount: 2000 }, admin_id: 2, name: "Jane", last_name: "Smith" }
  // ...更多管理员数据
]

性能考量与最佳实践

虽然上述两阶段查询策略能够有效解决问题，但在处理极大规模数据时，仍需考虑其潜在的性能影响。

1. N+1 查询问题： 尽管使用了Promise.all来并发执行管理员信息查询，但本质上，对于paymentData中的每一个独立admin_id，都会发起一次findUnique查询。如果paymentData包含N个不同的admin_id，这将导致1次groupBy查询 + N次findUnique查询。对于小到中等规模的数据集，这通常不是问题，但对于包含成千上万个唯一admin_id的超大型数据集，这种模式可能会增加数据库负载和查询延迟。

2. 替代方案（针对超大数据集）：

   • 原始 SQL 查询： 对于对性能要求极高或数据集极其庞大的场景，直接使用Prisma的$queryRaw或$queryRawUnsafe方法执行原始SQL查询可能是更优的选择。通过SQL的JOIN和GROUP BY操作，可以在数据库层面一次性完成聚合和关联字段的获取，避免多次往返数据库。

     SELECT
         a.id AS admin_id,
         a.name,
         a.last_name,
         SUM(p.amount) AS totalAmount
     FROM
         admins AS a
     JOIN
         payment AS p ON a.id = p.admin_id
     GROUP BY
         a.id, a.name, a.last_name;

   • 批量查询优化： 如果不希望使用原始SQL，且N+1问题确实影响性能，可以考虑先收集所有唯一的admin_id，然后使用prisma.admins.findMany({ where: { id: { in: uniqueAdminIds } } })一次性查询所有管理员信息，最后在内存中将聚合数据与管理员信息进行匹配。这种方法将N次findUnique减少为1次findMany，但增加了内存匹配的复杂性。

3. Prisma 发展： Prisma是一个活跃开发的ORM框架，其功能不断完善。未来的版本可能会直接支持在groupBy查询中include或select关联字段，届时可以简化此类复杂查询的实现。

总结

尽管Prisma的groupBy方法在当前版本中不支持直接获取关联模型的字段，但通过本文介绍的两阶段查询策略，我们能够有效地实现对关联数据的聚合，并成功地将关联实体的详细信息整合到聚合结果中。在实践中，对于大多数场景，利用Promise.all并发执行查询的方案是高效且易于维护的。然而，对于处理极大规模数据集的场景，开发者应根据具体性能需求，考虑采用原始SQL查询等更底层的优化手段。

今天关于《Prisma数据聚合与字段扩展教程》的内容就介绍到这里了，是不是学起来一目了然！想要了解更多关于的内容请关注golang学习网公众号！