C# ASP.NET MVC Entity AutoFac 出现例程线程共享安全的问题解决方案

C# .NET 8企业级升级实战:AOT、Blazor与EF Core避坑指南 C#已从Windows专属语言演进为支撑云原生、WebAssembly和高并发金融系统的现代开发平台。理解.NET Runtime底层机制(如AOT编译的反射限制)、Blazor组件生命周期与验证模型、EF Core查询执行策略,是保障企业级应用稳定性的技术基石。这些能力直接决定微服务响应延迟、前端首屏性能与数据库查询效率。本文聚焦.NET 8在真实产线中的关键约束——包括AOT与IoC容器兼容性、Blazor WASM表单验证时机错位、EF Core `AsNoTrackingWithIdentityRe 阅读详情

前言

使用了ASP.NET MVC Framework Entity AutoFac 的 项目,最近发现不同的HTTP请求Controller-Action 的时候,出现了错误,The context cannot be used while the model is being created , 大概的意思就是出现了线程共享安全的问题,在entity 返回IQueryable 转化成ToList 对象的时候抛出这个错误。
起初以为是使用了entity 数据库关系对象,主键和外键引用出现了问题,经过反复测试,发现不是这个问题,然后又考虑是不是使用了IOC单个例程SingleInstance() 的问题, 然后修改成生命周期注入InstancePerLifetimeScope(), 还是不能解决问题。最后仔细观察发现,原来是BLL和接口使用了IOC注入,DAL也使用了IOC注入, 但是 Entity 基类接口和 DAL数据库访问接口使用了静态单个例程的上下文,当然是用这种方式是正确的,但是恰好这里就出现了单例程共享访问冲突。
正常情况:一个HTTP请求访问在后台处理过程如下:

Client(浏览器)->HTTPRequest -> MVCController (IOC注入BLL)-> BLL (IOC注入DAL)->DAL(访问Entity基类)

看出来问题了吧? Entity 建议对于单个用户建议使用相同的上下文例程,但是不同的HTTP请求不同又用户不能共享例程。

解决方案:


上面是通过静态对象共享一个上下文的方式,这种方式不能通过IOC注入。
在这里插入图片描述
如上图,修改为通过 注入DbContextFactory 类和接口的方式IOC注入。
在这里插入图片描述
BLL和DAL的注入依旧使用单例程。
在这里插入图片描述
然后在BaseDal Entity 基类中对 DbContext 对象进行注入。
在这里插入图片描述
完整的项目结构如上图, 最终数据绑定的页面:这个页面有两个Ajax 请求 Action返回数据,不会报异常。
在这里插入图片描述

*** MVC中的AutoFac依赖注入实践教程 本文还有配套的精品资源,点击获取 简介:AutoFacTest.rar压缩包包含一个 MVC示例项目,用于展示如何利用流行的轻量级依赖注入容器AutoFac来实现代码解耦和提高应用程序的可测试性。该示例项目详细介绍了AutoFac的配置、类型注册以及与 MVC框架的集成。用户可以通过实践来深入理解依赖注入的原理,并学习如何在实际开发中有效地应用A... 阅读详情

相关推荐

rk3326 MIPI休眠唤醒黑屏有背光问题

** 1.问题现象: ** **【开机起来】**开机起来可以正常显示 **【按power按键休眠】**第二次按下Power按键进入休眠,隔10s,再按Power按键唤醒。 **【出现结果】**屏幕黑屏有背光,并提示drm time out错 **【lcd信息】**lcd为480*800 2lane的mipi **【复现概率】**第二次按下休眠唤醒必然复现 【具体错误log如下】 //第一次休眠的log// [ 54.858511] dw-mipi-dsi ff450000.dsi: final DSI-

Ian22l的博客 3948

EF--model is being created异常

使用EF的时候出现了下面的异常,我使用了TASK和saveChangeAsync()异步 The context cannot be used while the model is being created. This exception may be thrown if the context is used inside the OnModelCreating method or ...

weixin_30662539的博客 362

逆向工程实战:手把手教你破解药监局网站的动态数据加载机制(Python+Chrome开发者工具)

本文详细介绍了如何利用Python和Chrome开发者工具逆向破解药监局网站的动态数据加载机制。通过分析Ajax请求、解析JSON响应数据以及处理动态参数,帮助开发者高效采集动态加载内容,适用于爬虫开发与数据分析场景。

weixin_30832143的博客 68

The context cannot be used while the model is being created

今天在使用 EF 的Code First 过程中,更新数据到数据库时, 执行到  context.UserPermission.Add(permission); 时提示错误信息:提供程序未返回 ProviderManifestToken 字符串。(用户未处理ProviderIncompatibleException)。 根据网上提示在 web.config 中添加

Robin022的专栏 9396

DataGridView 右键菜单复制(公共)

dataGridView1.CellMouseClick += new DataGridViewCellMouseEventHandler( (sender1, e1) => { if (e1.Button == MouseButtons.Right) {

沁心渃水 2834

HAL库硬件SPI驱动ST7735 TFT屏幕:从零实现高效刷屏与图形绘制

本文详细介绍了如何使用STM32的HAL库硬件SPI驱动ST7735 TFT屏幕,从硬件连接到SPI配置优化,再到图形绘制与文本显示的实现。重点分享了DMA传输、局部刷新等高级优化技巧,显著提升刷屏效率,帮助开发者快速掌握屏幕驱动技术并应用于实际项目。

pink的博客 741

解决问题:The context cannot be used while the model is being created

使用Entity Framework (v6.1.3)突然遇到这个问题了,之前一直好好的,怎么破? 此处省略了多次在“好”与“坏"的项目中试验的过程(苦啊),直接给出答案。答案是:没有按DbContext的机制来进行DbSet的实例化导致的。(我遇到的情况) 我们一般在自己的DbContext里这样写 public DbSet<MyEntity1> MyEntity1Set ...

weixin_30826095的博客 444

国科大作业考试资料-人工智能原理与算法-2024新编-第十一次作业整理

1、有一位教授想知道学生是否睡眠充足。每天,教授观察学生在课堂 上是否睡觉,并观察他们是否有红眼。教授获得如下的领域知识: (1)没有观察数据时,学生睡眠充足的先验概率为0.7。 (2)给定学生前一天睡眠充足为条件,学生在晚上睡眠充足的概率是0.8;如果前一天睡眠不充足,则是0.3。 (3)如果学生睡眠充足,则红眼的概率是0.2,否则是0.7。 (4)如果学生睡眠充足,则在课堂上睡觉的概率是0.1,否则是0.3。 将这些信息形式化为一个动态贝叶斯网络,使教授可以使用这个网络从观察序列中进行滤波和预

MatsumotoChrikk 1056

C#设计模式之【创建型设计模式:单例模式】

C#设计模式之【创建型设计模式:单例模式】一.单例模式简述 二.几种实现方式 1. 非线程安全 2. 线程安全3. 静态构造函数4. 静态字段 一.单例模式简述 单例模式:保证进程中,某个类只有一个实例,并提供一个访问它的全局访问点。 单例可以避免重复创建,但是也会常驻内存,而且他的变量并不是线程安全,主要应对一些特殊情况,比如数据库连接池(内置了资源) 全局唯一号码生成器等, 除非是真的有必要,否则不要单例 二.几种实现方式 1. 非线程安全 2. 线程安全 3. 静态构造函数 4. 静态字段 ...

qq_33101689的博客 498

ICV:Metal Fill Insertion流程

如果不想删除先前加的metal fill,可以使用signoff_create_metal_fill -mode add命令,当使用这个mode后,工具不会fix density问题,哪怕设置了signoff.create_metal_fill.fix_density_errors,设置这个mode后可以使用以下option控制metal fill 的插入。默认情况下,signoff_create_metal_fill是会删掉已经加进去的metal/via fill再重新加的。

m0_61544122的博客 1134

GRCNN抓取网络学习3【自制Jacquard数据集模型调优】

请先完成,这样有利于下面操作的理解!然后第二步是,有了自己的数据集输入到GRCNN中是三种文件,那么可以GRCNN抓取网络学习2【自制Jacquard数据集训练】!既然学会训练,那么开展下一步计划模型调优。GRCNN源码:https://github.com/skumra/robotic-grasping。

vor234的博客 2502

aehyok.com的成长之路二——技术选型

前言       首先奉上个人网站地址传送门:aehyok.com   在上一篇博客中http://www.cnblogs.com/aehyok/p/3934197.html主要简单的介绍了自己做个人网站的初衷,就是为了督促自己学点技术。让自己抓紧一点,毕竟花的是自己的血汗钱来搞的。要不好好学,都对不起自己。       本人最近也建立了一个QQ技术群,现在里面人数不是不多,是在写上一篇博客...

weixin_34191845的博客 128

从“点云”到“图像”:华为896线激光雷达的技术飞跃与行业影响浅析

华为发布全球首款896线双光路激光雷达,实现车载感知从"3D点云"到"3D成像"的跨越。该产品采用创新双光路架构,集成广角和长焦单元,单帧点云量达128线产品的7倍,可在55米外识别小狗摇尾巴等细节。实测数据显示,其能识别120米外14厘米低矮障碍物,夜间低反射率目标识别距离提升190%。尽管速腾聚创随后发布更高线数产品,但华为强调实用性和量产可行性,成本仅增加1-2万元。这一突破标志着激光雷达进入大规模应用阶段,将加速高阶智驾功能普及,强化华为在智能汽车领域的技术底

致力于lidar应用开发 215

Autofac 组件、服务、自动装配 《第二篇》

Autofac 组件、服务、自动装配 《第二篇》 一、组件   创建出来的对象需要从组件中来获取,组件的创建有如下4种(延续第一篇的Demo,仅仅变动所贴出的代码)方式:   1、类型创建RegisterType   AutoFac能够通过反射检查一个类型,选...

ajwqb06628的专栏 1140

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

正在创建模型,此时不可使用上下文“的解决办法。 正在创建模型,此时不可使用上下文。如果在 OnModelCreating 方法内使用上下文或如果多个线程同时访问同一上下文实例,可能引发此异常。请注意不

Entity Framework数据库初始化四种策略 //默认为: Database.SetInitializer(null); 策略一:数据库不存在时重新创建数据库 复制内容到剪贴板 程序代码 Database.SetInitializer(new CreateDatabaseIfNotExists()); 策略二:每次启动应用程序时创建数据

ln_qiqi的博客 4481

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")

ModelContext模型上下文

using System; using System.Collections.Generic; using System.Linq; using System.Web;   namespace TeamService.Data {     public class ModelContextStatus     {         public const int DISABL...

weixin_34259559的博客 823

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

EF DbContext 并发执行时可能出现的问题

现在许多Web项目都使用了IOC的DI注入组件。其中对象的生命周期管理是非常重要的。 有时我们为了提高请求的响应,经常在请求线程中执行多个子线程,然而忽略了EF的DbContext的生命周期管理。 DbContext并非是线程安全的。子线程A和子线程B 可能同时的对同一个DbContext进行操作,从而导致下面的异常(可能随机抛出其中一个)。 所以建议不要共用同一个DbContext. ...

weixin_30367169的博客 1203

org.mybatis.spring.MyBatisSystemException: nested exception is org.apache.ibatis.exceptions解决分析

分析解决此问题原因几种可能如下1. 数据库服务器未启动2.mysqld配置问题 或者未完全启动解决办法:分析my.ini错误 或 重新启动 mysqld 然后在重新启动mysql服务器3.jdbc配置文件错误org.mybatis.spring.MyBatisSystemException: nested exception is org.apache.ibatis.exceptions.Pers...

傲宇苍穹 1万+

C#编程,.Net 依赖注入IOC框架之三 Autofac

Autofac是.NET领域最为流行的IOC框架之一,传说是速度最快的一个1.依赖注入的目的是为了解耦。2.不依赖于具体类,而依赖抽象类或者接口,这叫依赖倒置。3.控制反转即IoC (Inversion of Control),它把传统上由程序代码直接操控的对象的调用权交给容器,通过容器来实现对象组件的装配和管理。所谓的“控制反转”概念就是对组件对象控制权的转移,从程序代码本身转移到了外部容器。 ......

君一席 3123

Autofac深入讲解

一: Autofac配置(在控制器中拿到IOC容器) public class AutoFacConfig { public static void Register() { ContainerBuilder builder = new Autofac.ContainerBuilder(); //获取WebApp这个项目的Assembly程序...

Fanbin168的专栏 2689

EF异常‘在创建模型,此时不可使用上下文。如果在 OnModelCreating 方法内使用上下文或如果多个线程同时访问同一上下文实例,可能引发此异常。 请注意不保证 DbContext 的实例成员’

一、EF的线程安全问题 二、

天马3798 1万+
上一篇: vs2003 C++ 移植 vs2010 C++ 工厂模式接口请求实例出现的问题
下一篇: Android 6.0 以上状态栏透明和隐藏标题栏方法
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