使用PageHelper进行orderBy排序报错:net.sf.jsqlparser.JSQLParserException

解决Caused by: net.sf.jsqlparser.parser.ParseException: Encountered “ “(“ “( ““ at line 10, column 42. 解决Caused by: net.sf.jsqlparser.parser.ParseException: Encountered " "(" "( "" at line 10, column 42. 运行mybatis查询sql时报错异常: Caused by: net.sf.jsqlparser.parser.ParseException: Encountered " "(" "( "" at line 10, column 42. Was expecting one of: "AS" . 阅读详情

项目中使用了MyBatis分页插件pagehelper-4.1.5.jar,和sql解析工具jsqlparser-0.9.5.jar,进行orderBy排序

测试接口时,能正常返回数据,也可以实现排序,但是后台出现大量报错信息

经排查发现错误原因

写表查询SQL时,对字段AS后面的别名加了单引号,导致jsqlparser解析过程中抛出"非RuntimeException异常"

错误示例:select a.id AS 'aid' from test a

又是一个引号引发的血案。。。。

解决方案

去掉单引号,不用加引号

或者

单引号换成双引号

Mybatis:PageHelper分页插件源码及原理剖析 PageHelper是一款好用的开源免费的Mybatis第三方物理分页插件,其实我并不想加上好用两个字,但是为了表扬插件作者开源免费的崇高精神,我毫不犹豫的加上了好用一词作为赞美。 原本以为分页插件,应该是很简单的,然而PageHelper比我想象的要复杂许多,它做的很强大,也很彻底,强大到使用者可能并不需要这么多功能,彻底到一参可以两用。但是,我认为,作为分页插件,完成物理分页任务是根本,其它的... 阅读详情

相关推荐

如何理解界面陷阱电荷呢(interface trapped charge)和费米钉扎效应?

如何理解界面陷阱电荷呢?(interface trapped charge) 我们在学半导体物理的时候经常对各种界面态和陷阱分不清楚,然而这却是半导体中最为关键的知识点之一。我这路主要介绍一下如何比较直观地理解界面陷阱电荷,应该也有叫界面态,快态之类的。 在介绍界面陷阱电荷之前,我们可以回顾一下施主(donor)和受主(acceptor)的概念。在si中如果掺杂了n型杂质P,那么P由于最外层电子有5个,有一个电子比较容易跑走,成为自由移动的导电电子,在能带中可以表现为电子从禁带中的能级跃迁到导带,这种情况我

Wang_P_P的博客 3万+

PageHelper 排序报错

问题重现 开发环境Spring Boot + Mysql + mybatis+ pagehelper 开发中碰到莫名其妙的错误, 一个普通的分页查询, 莫名抛出错误 Cause: com.github.pagehelper.PageException: 处理排序失败: net.sf.jsqlparser.JSQLParserException ... Caused by: com.gith...

songshuguowang的专栏 2713

Buck-Boost电路实战:如何用LM2596模块快速搭建升降压电源(附元件选型指南)

本文详细介绍了如何使用LM2596模块快速搭建Buck-Boost升降压电路,包括硬件选型、电路搭建、示波器实测和进阶技巧。通过实测数据和避坑指南,帮助电子工程师解决电压不稳定、效率低下等常见问题,提升DC-DC变换器的设计水平。

weixin_30485379的博客 112

处理排序失败: net.sf.jsqlparser.JSQLParserException,降级为直接拼接 order by 参数

在通过人员名字进行高级查询时,报错查询列表失败,查看日志发现sql中有两个order by 排序,本地启动代码console捕获异常为处理排序失败,降级为直接排序拼接 order by 参数。如下图(可以理解为将java代码中写的排序和mapper.xml中sql中的order by 拼接到了一起)

UTF8_8的博客 1028

软件项目管理期末复习(看这一篇就够了)

软件项目管理考试复习 🔶🔶🔶🔶🔶加了🔶的是考点 第一章软件项目管理概述 1.1.1项目及其特征 项目定义:🔶 项目就是为了创造一个唯一的产品或提供一个唯一的服务而进行的临时性的努力; 是以一套独特而互相联系的任务为前提,有效地利用资源,在一段时间内满足一系列特定目标的多项相关工作的总称。 日常运作和项目的区别: 项目是一次性的,而日常运作是重复进行的。 项目是以目标为导向的,日常运作是通过效率和有效性体现的。 项目是通过项目经理及其团队工作完成的,日常运作是职能式的线性管理。 项目存在大量的变更管理,

qq_50886857的博客 3万+

SAP-HR 模块 PPOSE 的详细信息标签页增强

步骤1:T-CODE : SE11 创建一个名为 HRI9106 的结构 命名:HRI + 91 + 两位数字。人事管理 - 组织管理 - 集成新信息类型 - 将信息类型添加为明细范围中的标签页。步骤6:SE51 查看 7000屏幕,修改屏幕属性 让其更美观。步骤3:T-CODE : SM30维护 T777I 表。步骤5:PPCI 新建 7000屏幕用于显示。标签页 IT 开头 + 信息类型 9106。步骤2:T-CODE : PPCI。步骤4:T-CODE : SPRO。

常回来看看呀!! 1630

记录问题:使用MyBatis+PageHelper报错降级为拼接

在MyBatis中,name 和connect可能是作为MyBatis配置或映射文件中的特定属性名或者XML元素名被使用。所以尽量使用user_name,connect_way命名。如果你有权限更改数据库结构,可以使用反引号(`)来包围这些名字,这样可以在大多数情况下避免关键字冲突。

fuwen1989 677

最小可分辨对比度(MRC)

最小可分辨对比度的测试方法如下: 1)选择对比度测试靶板,一般有100%,50%,33.77%,15%,5%。 2)调整照度,确保能够清晰观测到图像中的靶标; 3)利用USAF1951分辨率靶观察找到能够分辨出的靶标。 1951 USAF分辨力测试图目前仍广泛地应用于测试光学成像系统(如显微镜和相机)的分辨能力。这种图案包括几组由三条短线构成组合,短线的尺寸从大到小。成像系统无法辩明的...

6272

springboot-mybatis报错:net.sf.jsqlparser.JSQLParserException

mybatis报错解决

陆沙的博客 5914

Cadence PCB SI仿真实战:如何手动添加VIA过孔模型提升板级链路精度

本文详细介绍了在Cadence PCB SI仿真中如何手动添加VIA过孔模型以提升DDR4/5设计的精度。通过参数化建模和三维全波建模技术,工程师可以有效解决高速设计中的信号完整性问题,显著降低仿真误差。文章还提供了实战案例和常见问题解决方案,帮助优化板级链路性能。

weixin_28683391的博客 412

YOLOv8改进,YOLOv8添加DCNv4可变性卷积(windows系统成功编译),全网最详细教程

DCNv4通过两项关键增强解决了其前身DCNv3的局限性:1. 移除空间聚合中的softmax归一化,以增强其动态特性和表达能力;2. 优化内存访问以最小化冗余操作,从而加速计算。这些改进使得DCNv4相比DCNv3显著加快了收敛速度,并且处理速度大幅提升,前向传播速度超过三倍。

在职AI算法工程师,擅长计算机视觉,YOLO目标检测、分割等,擅长web、pyqt界面可视化,好内容持续更新中,来这里跟大家一起学习,共同进步 6475

net.sf.jsqlparser.JSQLParserException

<if test="stationName != null"> AND position(#{stationName} IN tcs.station_name) </if> 在mybatis中使用了position函数,莫名其妙就有异常,但是sql依然可以运行。 添加了注解@SqlParser(filter=true),并没有什么用。。。 @SqlParser(filter=true) 更换为locate(#{nickName},tcc.nickname)函数.

qq_41979882的博客 4094

Sigrity SPEED2000 TDR TDT Simulation模式如何进行时域阻抗仿真分析操作指导-差分信号

Sigrity SPEED2000 TDR TDT Simulation模式如何进行时域阻抗仿真分析操作指导-单端信号详细介绍了单端信号如何进行TDR仿真分析,下面介绍如何对差分信号进行TDR分析,还是以下图为例进行分析。Impedance是时域阻抗曲线,也是最主要的观测指标,注意:impedance曲线的时间刻度不是延时,延时=时间刻度/2,因为TDR测量的是用一来一回的原理去测量的。Use Lossy peeling 默认不勾选,勾选的话代表同时仿真无损和有损方案,不勾选代表仅仿真有损方案。

weixin_54787054的博客 858

Mybatis-plus解析sql发生异常:net.sf.jsqlparser.JSQLParserException

在使用mybatis-plus的过程中,有一个jsonb字段使用了jsonb_exists_any (field_name, text[]) Caused by: net.sf.jsqlparser.JSQLParserException: Encountered unexpected token MyBatis_Plus框架中,有多租户的功能,MP会进行数据权限的过滤导致的,可以使用下面的注解(+配置)解决:@SqlParser(filter = true)、@InterceptorIgnore(tena

qq_24615389的博客 6175

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

pagehelper/PageInterceptor导致MyBatis执行SQL问题

SQL是17年的代码(老项目了~), 新加的需求也跟这里没有关系, 幸好单测可以重现问题. 查看报错堆栈, 看到查询大致经过两个组件, 先MyBatis然后sharding JDBC. 其中MyBatis会先经过一个拦截器PageInterceptor. 看到这里, 嫌疑最大的就是PageInterceptor了, 拼接SQL是MyBatis的工作, 基本可以排除sharding JDBC的问题.就是问题原因的关键.然后在新的SQL后面拼接, 这里的源码如下, orderBy中是入参中的排序规则。

qq_43833453的博客 701

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

在使用PageHelper分页时的ParseException异常原因

在使用PageHelper分页时的ParseException异常原因 异常信息如下 net.sf.jsqlparser.JSQLParserException ...(省略)...... Caused by: net.sf.jsqlparser.parser.ParseException: Encountered " "LIKE" "LIKE "" at line 65, column 28...

展翅 高飞的博客 1397

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

使用 PageHelper 异常 net.sf.jsqlparser.parser.ParseException: Encountered 解决方案

使用:PageHelper.startPage(reqVo.getPageIndex(), reqVo.getPageSize()); PageHelper.orderBy(" id desc");我的sql:&lt;if test="distributeWarnType == 10"&gt; AND t.expected_distribute_date &lt;![CDATA[ ...

王震1024的专栏 1万+

sql关键字与系统冲突报错 Caused by: net.sf.jsqlparser.parser.ParseException: Encountered unexpected token:

# sql关键字与系统冲突报错 Caused by: net.sf.jsqlparser.parser.ParseException: Encountered unexpected token: "ORDER" "order"

sfreedt的博客 5681

Mybatis的分页助手(Pagehelper)的使用

1)引入jar包 jsqlparser-2.0.jar和pagehelper-5.1.10.jar(两jar包需匹配使用) 2)在配置文件中添加,拦截器插件(复制官网),注意顺序 可以在mybatis-config.xml的configuration之后添加 <plugins> <plugin interceptor="com.github.pagehelper.PageHe...

qq_35460193的博客 304

排错:SSM环境下使用PageHelper与jsqlparser两者的冲突问题 tomcat日志报空指针 浏览器报错500

这说明你的pageHelper和jsqlparser不配套,我昨天就是这样,然后一直以为是编码的问题,最后来回梳理很多遍确定没问题。就一直更换版本,最终得出下面这俩,有需要的可以放心使用。总而言之言而总之,很多时候程序报出的错误可能并不是你编码有问题,但是如果你对于自己所使用的技术栈或者框架不够熟悉的话那么一切错误你都会觉得毫无规律可循。紧接着去翻看异常信息,发现之前在spring容器中注册好的bean也出了问题?首先你要检查你的PageHelper是什么版本的,如果是5.xx那么你的配置文件如下。

yuqu1028的博客 1225

net.sf.jsqlparser.parser.ParseException: Encountered unexpected token: “->>“

该查询使用了mybatis-plus分页插件PaginationInnerInterceptor进行分页查询,默认自动优化 COUNT SQL,使用的mybatis-plus版本为3.4.3.2,其jsqlparser版本为4.0,解析时报错,无法优化会使用原sql,因此可以正常查询,只不过会打印错误日志。报错net.sf.jsqlparser.parser.ParseException: Encountered unexpected token: “->>”1.修改pom.xml文件。

Vienn_tu的博客 2876

解决:net.sf.jsqlparser.parser.ParseException: Encountered unexpected token: “=“ “=“

网上看了很多,说是因为MyBatis_Plus框架中,有多租户的功能,MP会进行数据权限的过滤,但是都试了试发现并不生效,记着之前遇到过这个问题,是因为那个包的版本原因导致的,但是忘了,这次就记下来吧,免得自己又忘了。1.排除其他依赖中的jsqlparser的包,引入新的jsqlparser,也可以只排除在其中一个的,使用另一个的jsqlparser包,不用重新导入。mybatis-plus包与原本存在的pagehelper存在com.github.jsqlparser:jsqlparser冲突。

xiaozhang的博客 3万+

pageHelper分页sql存在order by排序时无法正确分页解决

问题描述: 在项目中正常开发一个列表查询接口,由于sql中子查询中存在order by排序且group by分组,调试中发现,分页不正常 问题排查: 1.开启mapper层日志打印sql 2.发现打印出来的sql语句不对,缺少order by语句部分 解决方法: 在开启分页时多传递一个参数,传递count参数为false即可: PageMethod.startPage(trialApplyListDTO.getPageNum(), trialApplyListDTO.getPageSize(

weixin_42798722的博客 2137

caused by: net.sf.jsqlparser.parser.parseexception

json转换异常

浩浩的博客 1万+

mybatis拼接orderby(mybatis拼接表名)

mybatis中#和$的区别及order by的sql注入问题 1)#{}相当于jdbc中的preparedstatement #{}是经过预编译的,是安全的,而${}是未经过预编译的,仅仅是取变量的值,是非安全的,存在sql注入. 2)${}是输出变量的值 ${}的情况,orderby是肯定只能用${}了,用#{...

计算机毕业论文源码,学生个人网页制作html源码。贴近用户做网络推广和互联网优化。 1283
上一篇: eclipse生成类图(使用AmaterasUML插件)
下一篇: 简单理解case when then else end用法
github_39325328
博客等级 码龄9年 34粉丝 72原创
评论 5
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值