如何在有逻辑删除的表上建立唯一索引

如何建立含有逻辑删除字段的唯一索引 本文主要分享在实际工作中和面试中遇到的情况,就是如何建立含义逻辑删除字段的唯一索引,实现了多种方式进行比较 阅读详情

业务场景:

        我们很多表都会要求做逻辑删除,或者称为假删除,原理就是不使用delete语句删除行数据,而是添加一个删除标记,用update语句代替delete语句,例如下表的 del_flag字段。假如我们又有业务需求,需要对“部门名称”做唯一索引,两者结合就会遇到一些麻烦。

create table sys_dept
(
    dept_id     bigint auto_increment comment '部门id'
        primary key,
    parent_id   bigint      default 0   null comment '父部门id',
    ancestors   varchar(50) default ''  null comment '祖级列表',
    dept_name   varchar(30) default ''  null comment '部门名称',
    order_num   int(4)      default 0   null comment '显示顺序',
    leader      varchar(20)             null comment '负责人',
    phone       varchar(11)             null comment '联系电话',
    email       varchar(50)             null comment '邮箱',
    status      char        default '0' null comment '部门状态(0正常 1停用)',
    del_flag    char        default '0' null comment '删除标志(0代表存在 2代表删除)',
    create_by   varchar(64) default ''  null comment '创建者',
    create_time datetime                null comment '创建时间',
    update_by   varchar(64) default ''  null comment '更新者',
    update_time datetime                null comment '更新时间'
)
    comment '部门表';

需求描述:

在逻辑删除的场景下,对存在部门名称进行唯一限制,对已经标记为删除状态的部门名称不做唯一限制

问题描述:

常规的方案就会存在如下的问题(此处比较简单,不做过多描述)。

                常规方案一:只是对“部门名称”字段做索引。存在问题:如果创建了一个财务部,然后逻辑删除,然后再创建一个财务部,新增时会被唯一索引限制,不满足业务需求。

                常规方案二:对“部门名称”和“删除标志”字段做组合索引。仍然存在问题:如果创建了一个财务部,然后逻辑删除,然后再创建一个财务部,然后再次逻辑删除的时候,还是会被唯一索引限制,因为此时会出现两条相同部门名称、相同删除状态的数据,也不满足业务需求。

解决方案:

方案一:

        如果是在建表阶段遇到该问题,可以对删除字段进行改造,把删除标识的字段类型和主键保持一致,默认为0代表存在;每当删除的时候把该行主键的值回填到删除标识字段,代表已经删除;表结构如下所示。

create table sys_dept
(
    dept_id     bigint auto_increment comment '部门id'
        primary key,
    parent_id   bigint      default 0   null comment '父部门id',
    ancestors   varchar(50) default ''  null comment '祖级列表',
    dept_name   varchar(30) default ''  null comment '部门名称',
    order_num   int(4)      default 0   null comment '显示顺序',
    leader      varchar(20)             null comment '负责人',
    phone       varchar(11)             null comment '联系电话',
    email       varchar(50)             null comment '邮箱',
    status      char        default '0' null comment '部门状态(0正常 1停用)',
    del_flag    bigint      default 0   null comment '删除标志(0代表存在  非0代表删除)',
    create_by   varchar(64) default ''  null comment '创建者',
    create_time datetime                null comment '创建时间',
    update_by   varchar(64) default ''  null comment '更新者',
    update_time datetime                null comment '更新时间',
    constraint sys_dept_dept_name_del_flag_uindex
        unique (dept_name, del_flag) comment '部门名称唯一索引'
)
    comment '部门表';

此时删除的代码就成了:

update sys_dept set del_flag=dept_id where dept_id = 1102;

现在可以正常删除重名,在新增的重名的时候也能被正常限制,如下图所示。满足业务需求。

 方案二:

        额外在添加一个删除标识主键字段,字段类型和主键保持一致,默认为0代表存在;每当删除的时候把该行主键的值回填到删除标识字段,代表已经删除;然后使用“部门名称”字段和“删除标识主键”字段做组合唯一索引,表结构如下所示。

create table sys_dept
(
    dept_id     bigint auto_increment comment '部门id'
        primary key,
    parent_id   bigint      default 0   null comment '父部门id',
    ancestors   varchar(50) default ''  null comment '祖级列表',
    dept_name   varchar(30) default ''  null comment '部门名称',
    order_num   int(4)      default 0   null comment '显示顺序',
    leader      varchar(20)             null comment '负责人',
    phone       varchar(11)             null comment '联系电话',
    email       varchar(50)             null comment '邮箱',
    status      char        default '0' null comment '部门状态(0正常 1停用)',
    del_flag    char        default '0' null comment '删除标志(0代表存在 2代表删除)',
    del_flag_id bigint      default 0   null comment '删除标识主键(0代表存在  非0代表删除)',
    create_by   varchar(64) default ''  null comment '创建者',
    create_time datetime                null comment '创建时间',
    update_by   varchar(64) default ''  null comment '更新者',
    update_time datetime                null comment '更新时间',
    constraint sys_dept_dept_name_del_flag_id_uindex
        unique (dept_name, del_flag_id) comment '部门名称唯一索引'
)
    comment '部门表';

        该方案适用于:

  1. 建表规范明确要求逻辑删除字段全库保持一致(很多大公司都有这种限制)
  2. 逻辑删除表已经投产后,需要添加唯一索引

此时删除的代码就成了:

update sys_dept set del_flag='1', del_flag_id=dept_id where dept_id = 1103;

设计思想和方案一是一样的,只是做了兼容设计。也是满足业务需求的。

逻辑删除与唯一索引的完美结合:三种实用方案解析 本文深入解析逻辑删除与唯一索引冲突的三种实用解决方案:主键替换法、NULL值法和新增字段法。针对不同业务场景提供详细实现原理与实战经验,帮助开发者有效平衡数据完整性与业务需求,特别适合需要处理用户注册、商品SKU等唯一性约束的开发团队。 阅读详情

相关推荐

RK3588+TRL8367s四网口千兆交换机硬件调试与DTS配置实战

本文详细介绍了基于RK3588处理器与RTL8367S交换机芯片构建四网口千兆交换设备的硬件调试与DTS配置实战。文章深入对比了MDIO与SMI两种通讯方式的配置差异,提供了详尽的设备树代码示例,并总结了常见问题的排查思路,旨在帮助开发者高效完成嵌入式网络设备的软硬件集成与调试工作。

weixin_28308325的博客 471

‘逻辑删除‘和‘唯一索引‘冲突的解决方案

'逻辑删除'和'唯一索引'冲突的解决方案一、起因二、经过1.插入冲突2.删除冲突3.绝望三、结果1.数据库测试会不会冲突1.1这是简单数据库1.2设置唯一索引组(name+"删除标识")1.3测试插入冲不冲突2.SpringBoot+Mybatis-plus方案2.1从网上找到的资料都是建议在配置文件中这样配置2.2但是在多人开发的微服务中,为了减少繁琐,一般都会用代码方式配置 一、起因 因为在"阿里巴巴java开发手册"中建议将数据库中有唯一性的字段,最好都加上唯一索引,还在这里知道了“墨菲定律”,因为存

qq_42432995的博客 8656

常见消息队列:ActiveMQ、RabbitMQ、RocketMQ、Kafka的区别总结

常见消息队列:ActiveMQ、RabbitMQ、RocketMQ、Kafka的区别。

qq_30713721的博客 3472

数据库唯一索引与逻辑删除标识冲突解决方案对比与取舍

逻辑删除通过标志位标记数据为“已删除”,避免物理删除带来的数据丢失与关联破坏,提升数据安全与完整性。但其导致数据冗余、查询复杂、唯一约束冲突等问题。解决方案包括:直接物理删除(业务允许时)、新建历史表、引入Redis去重、使用UUID或时间戳作为删除标记,以及推荐的方案六——新增del_unique_key字段与原唯一键组成联合约束,既保留逻辑删除优势,又解决唯一性冲突,对现有系统影响小,适合线上场景。

君临天下tjm的博客 4353

果蔬及菜品识别系统

果蔬及菜品识别系统

我的博客 2124

保姆级教程:用Wokwi玩转ESP32 MicroPython仿真(含库文件配置指南)

本教程详细介绍了如何使用Wokwi平台进行ESP32 MicroPython仿真开发,包括库文件配置、传感器数据模拟和REPL调试技巧。通过Wokwi的仿真调试系统,开发者可以在浏览器中快速验证代码逻辑,提高开发效率,特别适合物联网项目的快速迭代。

weixin_29195615的博客 449

数据库逻辑删除搭配唯一索引问题及解决方案

项目中为了方便数据恢复和保护数据本身价值,经常会用到逻辑删除这种解决方案,一般都是表中加del_flag字段 0:未删除;1:已删除 用来标识这条数据的有效性,

weixin_43655425的博客 3128

暗月项目七详解

本文围绕“暗月靶场项目七”展开,记录了一次从外网 Web 入口逐步深入内网并最终获取域控目标的完整实训过程。

Re_K123的博客 419

当逻辑删除遇上唯一索引,遇到的问题和解决方案?

介绍逻辑删除和唯一索引产生的冲突和解决方法。

豆小匠的博客 2093

告别代码恐惧!用KRobot图形化编程,10分钟搞定Arduino巡线小车(附完整接线图)

本文介绍如何使用KRobot图形化编程工具快速搭建Arduino巡线小车,无需编写代码。从硬件准备到逻辑构建,详细讲解传感器数据处理、电机控制优化及高级功能扩展,帮助教育工作者和创客爱好者10分钟内完成项目。

weixin_30632089的博客 398

使用xlwings在Python中对Excel表格进行操作是非常方便的,可以实现自动化处理、批量数据处理等功能

使用xlwings在Python中对Excel表格进行操作是非常方便的,可以实现自动化处理、批量数据处理等功能。本篇文章主要介绍如何使用xlwings对Excel表格进行多行多列数据设置和操作,并给出相应的源代码。接着,我们可以对这个范围内的所有单元格进行操作,如设置字体颜色、填充颜色、对齐方式等。以上就是使用xlwings对Excel表格进行多行多列数据操作和设置字体颜色、填充色和对齐方式的全部内容。最后,我们可以将数据写入到单元格中,也可以从单元格中读取数据。在Excel中,可以通过。

BUG?不存在的! 714

MybatisPlus如何建立唯一索引+逻辑删除

MybatisPlus如何建立唯一索引+逻辑删除

kangkang_01的博客 519

【微服务】Spring AI Alibaba Jmus 从部署到项目实战详解

Spring AI Alibaba Jmus 从部署到项目实战详解

congge 4196

MySQL大量脏数据,如何只保留最新的一条?

如果主键是自增的,那么重复数据删除的时候,主键最大的一条就是需要保留的,如果主键不是自增的,我们可以根据创建时间,保留创建时间最大的记录。它的意思是说,不能在同一语句中,先select出同一表中的某些值,再update这个表,即不能依据某字段值做判断再来更新某字段的值。因为系统的一个Bug,导致数据库表中出现重复数据,需要做的是删除重复数据且只保留最新的一条数据。我们的目的很明确,就是要删除 多余的同一订单号费用相同的数据,同时保留最新的一条数据。所以当时我们并没有建立联合唯一索引,才导致脏数据的产生。

xxxzzzqqq_的博客 2325

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

MyBatis-Plus逻辑删除与唯一索引冲突

MyBatis-Plus逻辑删除功能解析:本文介绍了MyBatis-Plus实现逻辑删除的两种方式(全局配置和注解配置),并分析了逻辑删除与唯一索引的冲突问题。当使用简单标记字段时,已删除记录可能导致唯一约束冲突。解决方案包括:1)使用时间戳或唯一标识符构建联合索引;2)将删除标记设为NULL值。文章还指出MyBatis-Plus逻辑删除的局限性——无法直接修改已删除记录的状态,需通过自定义SQL实现。最后提供了相关技术文档参考链接。

qq_65417285的博客 1131

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

【原创】MyBatisPlus中最快解决逻辑删除与唯一索引冲突问题的方法!

本篇用相当优雅的方式解决了MyBatisPlus中逻辑删除与唯一索引鱼和熊掌不可兼得的问题

DCTANT的博客 1761

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")

MyBatis-Plus--解决逻辑删除与唯一索引的问题--方法/实例

本文用示例介绍MyBatis-Plus如何解决逻辑删除与唯一索引的问题。

IT利刃出鞘的博客 1万+

软删除和唯一索引,二者不可得兼?

原创不易,未经允许,请勿转载。 文章目录什么是软删除?怎么实现软删除?什么是唯一索引?软删除和唯一索引只能选一个? 什么是软删除? 在说软删除之前,我们先来说一下什么是硬删除?硬删除也就是物理删除,是直接把数据从数据库中移除出去的,比如当用户执行了某个删除操作时,数据库就会相应的执行delete xxx where xxx这种操作。使用这种删除方式的话,数据是不可恢复的,如果一定要恢复的话,只能通过日志。​ 而软删除也叫做逻辑删除,它并不是真正的把数据删除,而是用一个字段来标记当前数据是否是被删除的。使.

江小举的博客 4178

MyBatis-Plus解决逻辑删除与唯一索引的兼容问题

处理使用 MyBatis-Plus 框架时的,既要使用逻辑删除功能,又要兼容数据库建立唯一索引的问题。 有些啰嗦,想找解决方案直接拉到最后。想了解细节可详细阅读。由于数据安全等原因,通常公司都会收回线上环境的 DELETE 权限不允许物理删除数据,所以通常使用逻辑删除,也就是增加一个逻辑删除的字段,用于标识数据已经删除了。日常业务中,经常遇到不能重复存在是业务数据(比如:电子发票数据,公司信息数据)。我们为了保证数据的唯一性,就需要给其建立唯一索引。 虽然唯一索引好用,但是结合逻辑删除使用就遇到问题了。假设

苦瓜爱coding 2012

基于mybatisplus使用逻辑删除的时候,解决唯一索引的冲突问题

场景: 表中有逻辑删除字段"deleted",tinyint类型,0表示未删除,其余的表示已删除,近期准备加唯一索引的时候发现问题,假如有某个唯一索引的字段,删除后,又重新创建同样一条记录,再次删除的时候,就会出现唯一索引重复的问题,这个时候,唯一索引和逻辑删除就有冲突了,无法并存。 解决方案: 1.不使用唯一索引 有时候程序校验不严格的时候,会出现各种异常,不能保证所有团队成员每时每刻的意识素质都一定过硬,极不推荐使用 2.去掉逻辑删除字段 基于业务的特殊性,确实是需要软删除,所以直接pass

hero_lxz的博客 2788

如何解决逻辑删除与唯一索引冲突

文章首发于个人博客,欢迎访问关注:https://www.lin2j.tech 在开发过程中有时候会使用逻辑删除,与之相对的则是物理删除。逻辑删除的作用有几个 防止数据误删除,方便数据找回。 数据存在一定的商业价值,可以积累起来。 数据与其他数据存在关联,不能删除。 当然也有它的缺点,比如数据冗余、影响查询效率、查询的 SQL 书写复杂度增加、存在唯一索引时,容易发生插入错误。 下面就来介绍如何在使用逻辑删除的同时,建立唯一索引(或者不建立索引但是能保持数据的唯一性)。 解决方案: 不使用逻辑删除,直

林锦佳的博客 2346

Mybatis-Plus同时使用逻辑删除和唯一索引的问题及解决办法

Mybatis-Plus同时使用逻辑删除和唯一索引的问题及解决办法

吴名氏的博客 5万+

CTO:半小时内处理好MyBatisPlus逻辑删除与唯一索引的兼容问题

比如有张用户表,在插入或者更新数据的时候,我们需要 用户名称(username),不能重复。 我们首先考虑的是给该字段创建唯一索引

wdj_yyds的博客 964

存在逻辑删除的表字段上建立唯一索引的巧办法 (逻辑删除与唯一索引)

首先,我们肯定是清楚地知道唯一键值+逻辑删除位如果联合创建唯一索引的话,只能最多存在两条数据,无法满足不断删除新增的需求,所以需要一个巧妙的办法去实现有逻辑删除标志位的唯一索引方式。,当创建新记录的时候,该键值保存为0,当删除该行记录时,则回填该行的主键,这样子我们会发现每次该记录。既然有逻辑删除的存在,我们其实可以通过额外增加一个字段,叫做。都是不重复的,所以咱们就可以将该键值和唯一键值作为唯一索引。

lw670020705的专栏 618

MyBatis-Plus 逻辑删除导致唯一索引冲突的解决方案

本文分析 MyBatis-Plus 逻辑删除与数据库唯一索引冲突的问题:删除数据后无法添加同名记录。通过自定义 SQL 绕过逻辑删除机制,实现已删除数据的自动恢复,提供完整代码示例和3种解决方案对比。

2301_80567343的博客 1988
上一篇: JAVA计算饼图百分比合计不是100的问题处理,最大余额法
下一篇: 基于国密(SM2,SM3,SM4)的数字信封加密加签实现
浅离FF
博客等级 码龄10年 25粉丝 4原创
评论
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