－
配置JDBC连接池
Play 2.0 提供了一个内置插件来管理连接池。你可以配置多个数据库。
为了使用数据库插件，在conf/application文件中配置连接池。依照惯例，默认的JDBC数据源命名为 default：
|
1
2
3
|
#
Default database configuration
db.default.driver
=
org.h
2
.Driver
db.default.url
=
jdbc
:
h
2
:
mem
:
play
|
配置多个数据源
|
1
2
3
4
5
6
7
|
#
Orders database
db.orders.driver
=
org.h
2
.Driver
db.orders.url
=
jdbc
:
h
2
:
mem
:
orders
#
Customers database
db.customers.driver
=
org.h
2
.Driver
db.customers.url
=
jdbc
:
h
2
:
mem
:
customers
|
如果发生任何配置错误，你將会在浏览器中直接看到：
配置JDBC驱动
除了H2这种内存数据库，在开发环境下有用外，Play 2.0 不提供任何的数据库驱动。因此，部署到生产环境中，你需要加入所需的驱动依赖。
例如，你如果使用MySQL5，你需要为connector加入依赖：
|
1
2
3
|
val
appDependencies
=
Seq(
"mysql"
%
"mysql-connector -java"
%
"5.1.18"
)
|
访问JDBC数据源
play.api.db 包提供了访问配置数据源的方法:
|
1
2
3
|
import
play.api.db.
_
val
ds
=
DB.getDatasource()
|
获取JDBC连接
有几种方式可获取JDBC连接，如第一种最常使用的：|
1
|
val
connection
=
DB.getConnection()
|
但是，你需要在某个地方调用close方法关闭连接。另一种方式是让Play自动管理连接：
|
1
2
3
|
DB.withConnection { conn
=
>
// do whatever you need with the connection
}
|
该连接將会在代码块结束后自动关闭。
提示：每个被该连接创建的Statement and ResultSet也都会被关闭。
一个变种方式是將auto-commit设为false，并在代码块中管理事务：
|
1
2
3
|
DB.withTransaction { conn
=
>
// do whatever you need with the connection
}
|
Anorm, 简单的SQL数据访问层
Play包括了一个轻量的数据访问层，它使用旧的SQL与数据库交互，并提供了一个API解析转换数据结果集。
Anorm不是一个ORM工具
接下来的文档中，我们將使用MySQL做为示例数据库。
如果你想使用它，依照MySQL网站的介绍，并將下列代码加入conf/application.conf中：
|
1
2
3
4
|
db.default.driver
=
com.mysql.jdbc.Driver
db.default.url
=
"jdbc:mysql://localhost/world"
db.default.user
=
root
db.default.password
=
secret
|
概述
现如今，退回到使用纯SQL访问数据库会让人感觉很奇怪，特别是对于那些习惯使用如Hibernate这类完全隐藏底层细节的ORM工具的Java开发者。
尽管我们同意这类工具使用Java开发几乎是必须的，但我们也认为借助像Scala这类强大的高阶语言，它就不那么迫切了。相反，ORM工具可能会适得其反。
使用JDBC是痛苦的，但我们提供了更友好的API
我们同意使用纯JDBC很糟糕，特别是在Java中。你不得不四处处理异常检查，一遍又一遍的迭代ResultSet来將原始的行数据转成自定义结构。
我们提供了比JDBC更简单的API；使用Scala，你不再四处与异常为伴，函数式特性使得转换数据也异常简单。事实上，Play Scala SQL层的目标就是提供一些將JDBC数据转换成
Scala结构的API。
你不需要另一种DSL语言访问关系数据库
SQL已经是访问关系数据库的最佳DSL。我们毋需自作聪明的搞发明创造。此外，SQL的语法和特性也使得不同的数据库厂商间存在差异。
如果你试图使用某种类SQL的DSL去抽象这些差异，那么你不得不提供多个针对不同数据库的代理（如Hibernate），这会限制你充分发挥特定数据库特性的能力。
Play 有时候会提供预编译SQL statement, 但并不是想隐藏SQL的底层细节. Play 只想节约大段查询的打字时间,你完全可以返回来使用纯的SQL.
通过类型安全的DSL生成SQL是错误的
存在一些争论的观点，认为使用类型安全的DSL更好，理由是你的查询可被编译器检查。不幸的是，编译器是基于你定义的元素据检查的，你通常都会自己编写自定义数据结构到数据库
数据的“映射”。
这种元素据正确性无法保证。即使编译器告诉你代码和查询是类型正确的，运行时依然会因为实际的数据库定义不匹配而惨遭失败。
全权掌控你的SQL代码
ORM工具在有限的用例中工具得很好，但当你需要处理复杂的数据库定义或已存在的数据库时，你將花费大量时间使得ORM工具为你产生正确的SQL代码。编写SQL查询你可能会认为像开发个“Hello World“那么乏味无趣，但任何真实的应用，你终將会通过完全的掌控SQL和编写简单的代码而节省时间。
执行SQL查询
你將通过学习怎样执行SQL查询起步。
首先导入 anorm._，然后使用简单的SQL对象创建查询。你需要一个连接来运行查询，你可以通过play.api.db.DB取得连接：
|
1
2
3
4
5
|
import
anorm.
_
DB.withConnection {
implicit
c
=
>
val
result
:
Boolean
=
SQL(
"Select 1"
).execute()
}
|
execute方法返回一个Boolean值标识查询是否成功。
为了执行更新，使用executeUpdate()方法，它將返回被更新的行数。
|
1
|
val
result
:
Int
=
SQL(
"delete from City where id = 99"
).executeUpdate()
|
既然Scala支持多行字符串形式，你可以自由的编写复杂的SQL块：
|
1
2
3
4
5
6
7
|
val
sqlQuery
=
SQL(
""
"
select * from Country c
join CountryLanguage l on l.CountryCode = c.Code
where c.code = 'FRA';
"
""
)
|
如果你的SQL查询需要动态参数，你可以在sql串中使用形如 {name}的声明，稍后给它赋值：
|
1
2
3
4
5
6
7
|
SQL(
""
"
select * from Country c
join CountryLanguage l on l.CountryCode = c.Code
where c.code = {countryCode};
"
""
).on(
"countryCode"
->
"FRA"
)
|
使用Stream API检索数据
访问select查询结果的第一种方式是使用 Stream API。
当你在任何SQL结果集中调用 apply() 方法时，你將会获得一个懒加载的 Stream 或 Row 实例，它的每一行能像字典一样的查看：
|
1
2
3
4
5
6
7
|
// Create an SQL query
val
selectCountries
=
SQL(
"Select * from Country"
)
// Transform the resulting Stream[Row] as a List[(String,String)]
val
countries
=
selectCountries().map(row
=
>
row[String](
"code"
) -> row[String](
"name"
)
).toList
|
接下来的例子，我们將计算数据库中Country实体的数量，因此结果將是单行单列的：
|
1
2
3
4
5
|
// First retrieve the first row
val
firstRow
=
SQL(
"Select count(*) as c from Country"
).apply().head
// Next get the content of the 'c' column as Long
val
countryCount
=
firstRow[Long](
"c"
)
|
使用模式匹配
你也可以使用模式匹配来匹配和提取 Row 内容。这种情况下，列名已无关紧要。仅仅使用顺序和参数类型来匹配。
下面的例子將每行数据转换成正确的Scala类型：
|
1
2
3
4
5
6
7
8
9
|
case
class
SmallCountry(name
:
String)
case
class
BigCountry(name
:
String)
case
class
France
val
countries
=
SQL(
"Select name,population from Country"
)().collect {
case
Row(
"France"
,
_
)
=
> France()
case
Row(name
:
String, pop
:
Int)
if
(pop >
1000000
)
=
> BigCountry(name)
case
Row(name
:
String,
_
)
=
> SmallCountry(name)
}
|
注意,既然 collect(...) 会忽略未定义函数,那它就允许你的代码安全的那些你不期望的行.
处理 Nullable 列
如果在数据库定义的列中可以包含 Null 值，你需要以Option类型操纵它。
例如，Country表的indepYear列可为空，那你就需要以Option[Int]匹配它：
|
1
2
3
|
SQL(
"Select name,indepYear from Country"
)().collect {
case
Row(name
:
String, Some(year
:
Int))
=
> name -> year
}
|
如果你试图以Int匹配该列，它將不能正解的解析 Null 的情况。假设你想直接从结果集中以Int取出列的内容：
|
1
2
3
|
SQL(
"Select name,indepYear from Country"
)().map { row
=
>
row[String](
"name"
) -> row[Int](
"indepYear"
)
}
|
如果遇到Null值，將导致一个UnexpectedNullableFound（COUNTRY.INDEPYEAR）异常，因此你需要正确的映射成Option[Int]：
|
1
2
3
|
SQL(
"Select name,indepYear from Country"
)().map { row
=
>
row[String](
"name"
) -> row[Option[Int]](
"indepYear"
)
}
|
使用 Parser API
你可以使用 parser api来创建通用解析器，用于解析任意select查询的返回结果。
注意：大多数web应用都返回相似数据集，所以它非常有用。例如，如果你定义了一个能从结果集中解析出Country的Parser 和 另一个 Language Parser，你就通过他们的组合从连接查询中解析出Country和Language。
得首先导入 anorm.SqlParser._
首先，你需要一个RowParser，如一个能將一行数据解析成一个Scala对象的parser。例如我们可以定义將结果集中的单列解析成Scala Long类型的parser：
|
1
|
val
rowParser
=
scalar[Long]
|
接着我们必须转成ResultSetParser。下面我们將创建parser，解析单行数据：
|
1
|
val
rsParser
=
scalar[Long].single
|
因此，该parser將解析某结果集，并返回Long。这对于解析 select count 查询返回的结果很有用：
|
1
|
val
count
:
Long
=
SQL(
"select count(*) from Country"
).as(scalar[Long].single)
|
让我们编写一个更复杂的parser：
str("name")~int("population")，將创建一个能解析包含 String name 列和Integer population列的parser。再接我们可以创建一个ResultSetParser, 它使用 * 来尽量多的解析这种类型的行:
正如你所见，该结果类型是List[String~Int] － country 名称和 population 项的集合。
|
1
2
3
|
val
populations
:
List[String~Int]
=
{
SQL(
"select * from Country"
).as( str(
"name"
) ~ int(
"population"
) * )
}
|
你也可以这样重写例子：
|
1
2
3
|
val
result
:
List[String~Int]
=
{
SQL(
"select * from Country"
).as(get[String](
"name"
)~get[Int](
"population"
)*)
}
|
你可能想用一个简单的 tuple (String, Int) 替代。你调用RowParser的map函数將结果集转换成更通用的类型：
|
1
|
str(
"name"
) ~ int(
"population"
) map {
case
n~p
=
> (n,p) }
|
现在，鉴于將 A~B~C 类型转成 (A,B,C)是个常见的任务，我们提供了一个flatten函数帮你准备的完成。因此最终版本为：
|
1
2
3
4
5
|
val
result
:
List[(String,Int)]
=
{
SQL(
"select * from Country"
).as(
str(
"name"
) ~ int(
"population"
) map(flatten) *
)
}
|
|
1
2
3
|
select c.name, l.language from Country c
join CountryLanguage l on l.CountryCode
=
c.Code
where c.code
=
'FRA'
|
Letʼs start by parsing all rows as a List[(String,String)] (a list of name,language tuple):
让我们先开始 以一个List[(String,String)](a list of name,language tuple)解析所有的行:
|
1
2
3
|
var
p
:
ResultSetParser[List[(String,String)]
=
{
str(
"name"
) ~ str(
"language"
) map(flatten) *
}
|
|
1
2
3
4
5
6
7
8
|
List(
(
"France"
,
"Arabic"
),
(
"France"
,
"French"
),
(
"France"
,
"Italian"
),
(
"France"
,
"Portuguese"
),
(
"France"
,
"Spanish"
),
(
"France"
,
"Turkish"
)
)
|
我们接下来可以用 Scala collection API，將他转成期望的结果：
|
1
2
3
4
5
|
case
class
SpokenLanguages(country
:
String, languages
:
Seq[String])
languages.headOption.map { f
=
>
SpokenLanguages(f.
_
1
, languages.map(
_
.
_
2
))
}
|
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
|
case
class
SpokenLanguages(country
:
String, languages
:
Seq[String])
def
spokenLanguages(countryCode
:
String)
:
Option[SpokenLanguages]
=
{
val
languages
:
List[(String, String)]
=
SQL(
""
"
select c.name, l.language from Country c
join CountryLanguage l on l.CountryCode = c.Code
where c.code = {code};
"
""
)
.on(
"code"
-> countryCode)
.as(str(
"name"
) ~ str(
"language"
) map(flatten) *)
languages.headOption.map { f
=
>
SpokenLanguages(f.
_
1
, languages.map(
_
.
_
2
))
}
}
|
为了继续,我们复杂化我们的例子,使得可以区分官方语言:
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
|
case
class
SpokenLanguages(
country
:
String,
officialLanguage
:
Option[String],
otherLanguages
:
Seq[String]
)
def
spokenLanguages(countryCode
:
String)
:
Option[SpokenLanguages]
=
{
val
languages
:
List[(String, String, Boolean)]
=
SQL(
""
"
select * from Country c
join CountryLanguage l on l.CountryCode = c.Code
where c.code = {code};
"
""
)
.on(
"code"
-> countryCode)
.as {
str(
"name"
) ~ str(
"language"
) ~ str(
"isOfficial"
) map {
case
n~l~
"T"
=
> (n,l,
true
)
case
n~l~
"F"
=
> (n,l,
false
)
} *
}
languages.headOption.map { f
=
>
SpokenLanguages(
f.
_
1
,
languages.find(
_
.
_
3
).map(
_
.
_
2
),
languages.filterNot(
_
.
_
3
).map(
_
.
_
2
)
)
}
}
|
|
1
2
3
4
5
6
|
$ spokenLanguages(
"FRA"
)
> Some(
SpokenLanguages(France,Some(French),List(
Arabic, Italian, Portuguese, Spanish, Turkish
))
)
|
集成其它数据库访问层
你也可以在Play中使用任何你喜欢的SQL数据库访问层,并且也可以借助 play.api.db.DB 很容易的取得连接或数据源.
与ScalaQuery集成
从这里开始，你可以集成任何的JDBC访问层，需要一个数据源。例如与ScalaQuery集成：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
|
import
play.api.db.
_
import
play.api.Play.current
import
org.scalaquery.ql.
_
import
org.scalaquery.ql.TypeMapper.
_
import
org.scalaquery.ql.extended.{ExtendedTable
=
> Table}
import
org.scalaquery.ql.extended.H
2
Driver.Implicit.
_
import
org.scalaquery.session.
_
object
Task
extends
Table[(Long, String, Date, Boolean)](
"tasks"
) {
lazy
val
database
=
Database.forDataSource(DB.getDataSource())
def
id
=
column[Long](
"id"
, O PrimaryKey, O AutoInc)
def
name
=
column[String](
"name"
, O NotNull)
def
dueDate
=
column[Date](
"due_date"
)
def
done
=
column[Boolean](
"done"
)
def
*
=
id ~ name ~ dueDate ~ done
def
findAll
=
database.withSession {
implicit
db
:
Session
=
>
(
for
(t <-
this
)
yield
t.id ~ t.name).list
}
}
|
从JNDI查找数据源：
一些库希望从JNDI中获取数据源。通过在conf/application.conf添加以下配置，你可以让Play管理任何的JNDI数据源：
|
1
2
3
|
db.default.driver
=
org.h
2
.Driver
db.default.url
=
"jdbc:h2:mem:play"
db.default.jndiName
=
DefaultDS
|
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
