EF架构~充血模型设置不被持久化的属性

简介:

在Poco实体中,一般只有属性没有方法,这在软件设计中称为贫血模型,而在DDD领域驱动设计中,比较提倡充血模型,即你的Poco实体中,即有属性,也有操作属性的方法,注意这里说的是操作属性的方法,你的具体业务方法不要写在这里

而在实际项目中,我们可以有这样的需求,一个注册用户业务,它有密码和确认密码,这个确认密码不需要存储到数据表里,即不需要被持久化,这时,我们想到的就是为它加NonSerialized特性,而在使用过程中我们发现,这个特性只针对字段而言,而我们的实体中推荐使用属性的方式,所以我们需要寻找其它解决方案。

而对于  System.ComponentModel.DataAnnotations.Schema命名空间来说,确实有一个更好的特性适合我们的需求,这个就是NotMapped特性,从它的注释中可以看出,它主要功能就是从数据库映射中移除它,即数据表中不体现这个属性,现在我们代码代码修改一下,使用NotMapped实现的实体模型:

    /// <summary>
    /// 用户实体模式
    /// </summary>
    public class UserInfo : Entity
    {
        /// <summary>
        /// maxLength和stringLength都可以用来设置数据表字段的长度,stringLength不可以用来做MVC验证
        /// </summary>
        [DisplayName("用户名"), Required, StringLength(50, MinimumLength = 6, ErrorMessage = "用户名只能由6~50个字符组成")]
        public string UserName { get; set; }
        [DisplayName("真实姓名"), Required, StringLength(30, MinimumLength = 6, ErrorMessage = "真实姓名只能由6~30个字符组成")]
        public string RealName { get; set; }
        public UserExtension UserExtension { get; set; }
        public List<OrderInfo> OrderInfo { get; set; }
        [DisplayName("密码"), StringLength(20, MinimumLength = 8, ErrorMessage = "密码由8~20个字符组成")]
        public string Password { get; set; }
        [DisplayName("确认密码"), NotMapped]
        public virtual string TruePassword { get; set; }

        #region 充血模型的方法
        /// <summary>
        /// 生成MD5密码
        /// </summary>
        /// <returns></returns>
        public string Md5Password()
        {
            return Lind.DDD.Commons.Encryptor.Utility.EncryptString(Password, Commons.Encryptor.Utility.EncryptorType.MD5);
        }
        /// <summary>
        /// 密码和确认密码的比较
        /// </summary>
        /// <returns></returns>
        public bool Password_TruePassword()
        {
            return this.Password.Equals(this.TruePassword, StringComparison.CurrentCulture);
        }
        #endregion

    }

运行程序后,我们在数据表UserInfo中没有找到TruePassword这个字段,这说明NotMapped已经帮我们实现了我们想要的功能!

通过上面的代码,我们也看到了在DDD领域驱动里充血模型的实现,需要注意的地方就是什么样的方法应该写在模型里,什么样的方法应该写在业务层。

本文转自博客园张占岭(仓储大叔)的博客,原文链接:EF架构~充血模型设置不被持久化的属性,如需转载请自行联系原博主。

目录
相关文章
|
4月前
|
机器学习/深度学习 人工智能 监控
大型动作模型LAM:让企业重复任务实现80%效率提升的AI技术架构与实现方案
大型动作模型(LAMs)作为人工智能新架构,融合神经网络与符号逻辑,实现企业重复任务的自动化处理。通过神经符号集成、动作执行管道、模式学习、任务分解等核心技术,系统可高效解析用户意图并执行复杂操作,显著提升企业运营效率并降低人工成本。其自适应学习能力与上下文感知机制,使自动化流程更智能、灵活,为企业数字化转型提供坚实支撑。
329 0
大型动作模型LAM:让企业重复任务实现80%效率提升的AI技术架构与实现方案
|
3月前
|
数据采集 机器学习/深度学习 搜索推荐
MIT新论文:数据即上限,扩散模型的关键能力来自图像统计规律,而非复杂架构
MIT与丰田研究院研究发现,扩散模型的“局部性”并非源于网络架构的精巧设计,而是自然图像统计规律的产物。通过线性模型仅学习像素相关性,即可复现U-Net般的局部敏感模式,揭示数据本身蕴含生成“魔法”。
168 3
MIT新论文:数据即上限,扩散模型的关键能力来自图像统计规律,而非复杂架构
|
2月前
|
机器学习/深度学习 存储 缓存
115_LLM基础模型架构设计:从Transformer到稀疏注意力
大型语言模型(LLM)的架构设计是其性能的核心决定因素。从2017年Transformer架构的提出,到如今的稀疏注意力和混合专家模型,LLM架构经历了快速的演进。本文将全面探讨LLM基础架构的设计原理,深入分析Transformer的核心机制,详细介绍稀疏注意力、MoE等创新架构,并展望未来架构发展方向。通过数学推导和实践案例,为构建高效、强大的LLM提供全面指导。
|
2月前
|
机器学习/深度学习 自然语言处理 算法
48_动态架构模型:NAS在LLM中的应用
大型语言模型(LLM)在自然语言处理领域的突破性进展,很大程度上归功于其庞大的参数量和复杂的网络架构。然而,随着模型规模的不断增长,计算资源消耗、推理延迟和部署成本等问题日益凸显。如何在保持模型性能的同时,优化模型架构以提高效率,成为2025年大模型研究的核心方向之一。神经架构搜索(Neural Architecture Search, NAS)作为一种自动化的网络设计方法,正在为这一挑战提供创新性解决方案。本文将深入探讨NAS技术如何应用于LLM的架构优化,特别是在层数与维度调整方面的最新进展,并通过代码实现展示简单的NAS实验。
|
4月前
|
编解码 文字识别 自然语言处理
Dots.ocr:告别复杂多模块架构,1.7B参数单一模型统一处理所有OCR任务22
Dots.ocr 是一款仅1.7B参数的视觉语言模型,正在重塑文档处理技术。它将布局检测、文本识别、阅读顺序理解和数学公式解析等任务统一于单一架构,突破传统OCR多模块流水线的限制。在多项基准测试中,其表现超越大参数模型,展现出“小而精”的实用价值,标志着OCR技术向高效、统一、灵活方向演进。
531 0
Dots.ocr:告别复杂多模块架构,1.7B参数单一模型统一处理所有OCR任务22
|
5月前
|
存储 人工智能 调度
上海创智学院联合无问芯穹发布Megrez2.0,本征架构突破端模型不可能三角,以终端算力撬动云端智能
终端是实现数字智能和生命智能自由交互的重要接口,持续帮助人类拓展生产能力的边界。当下,终端智能面临着“能效-空间-智能”的不可能三角:以DeepSeek-R1为例,其参数规模高达6710亿,超出了大部分笔记本电脑的内存容量;即使勉强在一台笔记本电脑上成功运行满血版模型,理论上坚持不到9分钟就会耗尽电池;如果通过蒸馏,将满血版模型压缩到更小尺寸,此时的精度损失又可能满足不了智能水平的要求。
120 0
上海创智学院联合无问芯穹发布Megrez2.0,本征架构突破端模型不可能三角,以终端算力撬动云端智能
|
5月前
|
人工智能 监控 API
MCP中台,究竟如何实现多模型、多渠道、多环境的统一管控?如何以MCP为核心设计AI应用架构?
本文产品专家三桥君探讨了以 MCP 为核心的 AI 应用架构设计,从统一接入、数据管理、服务编排到部署策略等维度,系统化分析了 AI 落地的关键环节。重点介绍了 API 网关的多终端适配、数据异步处理流程、LLM 服务的灰度发布与 Fallback 机制,以及 MCP Server 作为核心枢纽的调度功能。同时对比了公有云 API、私有化 GPU 和无服务器部署的适用场景,强调通过全链路监控与智能告警保障系统稳定性。该架构为企业高效整合 AI 能力提供了实践路径,平衡性能、成本与灵活性需求。
336 0
|
2月前
|
Cloud Native Serverless API
微服务架构实战指南:从单体应用到云原生的蜕变之路
🌟蒋星熠Jaxonic,代码为舟的星际旅人。深耕微服务架构,擅以DDD拆分服务、构建高可用通信与治理体系。分享从单体到云原生的实战经验,探索技术演进的无限可能。
微服务架构实战指南:从单体应用到云原生的蜕变之路
|
5月前
|
缓存 Cloud Native Java
Java 面试微服务架构与云原生技术实操内容及核心考点梳理 Java 面试
本内容涵盖Java面试核心技术实操,包括微服务架构(Spring Cloud Alibaba)、响应式编程(WebFlux)、容器化(Docker+K8s)、函数式编程、多级缓存、分库分表、链路追踪(Skywalking)等大厂高频考点,助你系统提升面试能力。
254 0

热门文章

最新文章