当前位置:首页 > 文章列表 > 文章 > php教程 > Laravel关联查询模糊搜索实战教程

Laravel关联查询模糊搜索实战教程

2026-04-28 15:48:45 0浏览 收藏
本文深入剖析了 Laravel 中关联模型模糊搜索的实战要点与常见陷阱,重点揭示了因 SQL 运算符优先级导致的 `orWhere` 链式调用逻辑错误、多关键词分词组合查询的正确构建方式、`whereHas` 与 `orWhereHas` 在主模型筛选中的不可替代性,并强调了索引优化、输入校验(`filled()`)、安全绑定(禁用 `whereRaw` 拼接)、中文排序规则及分页时机等关键性能与安全实践——帮你避开线上漏数据、慢查询、SQL 注入等高频坑,写出既健壮又高效的模糊搜索逻辑。

Laravel关联查询如何模糊查询_Laravel模糊查询关联数据【实践】

直接用 orWhereHas() 就能查出“主模型字段或关联模型字段匹配关键词”的结果,但必须用闭包包裹所有 orWhere 条件,否则逻辑错乱、漏数据。

为什么 orWhere 单独链式调用会出错

因为 SQL 中 OR 优先级低于 AND,Eloquent 默认把连续的 where 和 orWhere 翻译成平级条件。比如:

Article::where('title', 'like', '%a%')
    ->orWhere('description', 'like', '%a%')
    ->orWhereHas('files', fn ($q) => $q->where('filename', 'like', '%a%'))

实际生成的 SQL 相当于:WHERE (title LIKE ?) OR (description LIKE ?) OR EXISTS (...) —— 看似没问题。但一旦前面加了其他 where(比如状态过滤),就会变成:

WHERE status = 1 AND title LIKE ? OR description LIKE ? OR EXISTS(...)

这等价于:(status = 1 AND title LIKE ?) OR description LIKE ? OR EXISTS(...),导致 status 条件只对第一个字段生效。

正确做法是显式分组:

  • 所有模糊条件包进一个 where() 闭包里,用 orWhere 连接
  • 把非模糊条件(如 status、user_id)写在闭包外面

关联字段模糊搜索必须用 whereHas 或 orWhereHas

with() 不是筛选工具,它只控制预加载内容;哪怕你在 with(['files' => fn ($q) => $q->where(...)]) 里加条件,也只会过滤附件列表,不会影响 Article 是否被查出来。

真正能根据关联数据筛选主模型的,只有:

  • whereHas('relation', $callback):主模型必须有满足条件的关联记录(类似 INNER JOIN)
  • orWhereHas('relation', $callback):和主模型自身条件做 OR 关系,适合“标题或文件名含关键词”这类场景

注意:whereHas() 内部的 $query 是关联模型的查询实例,字段名要对应关联表,不是主表字段。

多关键词分词搜索要手动拆解再嵌套

用户搜 "laravel api",不能只查 LIKE '%laravel api%'——这样匹配不到 title='Laravel' + description='API docs' 的组合。

得先分词,再为每个词构建一组 OR 条件:

$keywords = preg_split('/\s+/', $request->input('q'), -1, PREG_SPLIT_NO_EMPTY);
$articles = Article::query();

if (! empty($keywords)) {
    $articles->where(function ($q) use ($keywords) {
        foreach ($keywords as $kw) {
            $q->orWhere(function ($inner) use ($kw) {
                $inner->where('title', 'like', "%{$kw}%")
                      ->orWhere('description', 'like', "%{$kw}%")
                      ->orWhereHas('files', fn ($f) => $f->where('filename', 'like', "%{$kw}%"));
            });
        }
    });
}

$articles->where('status', 1)->paginate(15);

这种写法生成的是:WHERE status = 1 AND ((title LIKE ? OR description LIKE ? OR EXISTS(...)) OR (title LIKE ? OR ...)),语义清晰且可控。

性能与安全必须同步处理

LIKE '%keyword%' 在百万数据下必然全表扫描,加 B-Tree 索引无效;同时,用户输入不校验会引发注入或报错:

  • 永远用 where('field', 'like', "%{$value}%"),别碰 whereRaw 拼字符串
  • 空值必须用 $request->filled('q') 判断,filled() 能过滤 null/''/[]
  • 中文搜索若需拼音或简繁体兼容,MySQL 建议用 utf8mb4_0900_as_cs 排序规则,或直接上 Scout + Meilisearch
  • 分页必须放在最后,paginate() 要看到完整 WHERE 才能正确 COUNT

最易忽略的一点:关联模糊搜索时,orWhereHas 的子查询如果没有索引,可能比主表还慢——务必给关联表的搜索字段(如 article_files.filename)单独建索引。

今天带大家了解了的相关知识,希望对你有所帮助;关于文章的技术知识我们会一点点深入介绍,欢迎大家关注golang学习网公众号,一起学习编程~

Windows10输入法不见了怎么恢复Windows10输入法不见了怎么恢复
上一篇
Windows10输入法不见了怎么恢复
Windows激活工具免费版是否可用?使用指南
下一篇
Windows激活工具免费版是否可用?使用指南
查看更多
最新文章
查看更多
课程推荐
  • 前端进阶之JavaScript设计模式
    前端进阶之JavaScript设计模式
    设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
    543次学习
  • GO语言核心编程课程
    GO语言核心编程课程
    本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
    516次学习
  • 简单聊聊mysql8与网络通信
    简单聊聊mysql8与网络通信
    如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
    500次学习
  • JavaScript正则表达式基础与实战
    JavaScript正则表达式基础与实战
    在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
    487次学习
  • 从零制作响应式网站—Grid布局
    从零制作响应式网站—Grid布局
    本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
    485次学习
查看更多
AI推荐
  • PubMedQA数据集详解:生物医学问答基准、功能与应用指南
    PubMedQA
    深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
    263次使用
  • H2O EvalGPT:开源LLM大模型评估与排行榜工具
    H2O EvalGPT
    H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
    312次使用
  • LMArena是什么?伯克利AI模型评估平台使用指南与功能解析
    LMArena
    LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
    291次使用
  • 斯坦福HELM:大语言模型Holistic Evaluation整体评估框架详解
    HELM
    深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
    269次使用
  • MMBench详解:多模态大模型基准测试、功能特点与使用指南
    MMBench
    MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
    86次使用