MVC和DDD的贫血和充血模型对比

2024-05-03 18:44
文章标签 模型 mvc 对比 ddd 充血 贫血

本文主要是介绍MVC和DDD的贫血和充血模型对比,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

文章目录

    • 架构区别
      • MVC三层架构
      • DDD四层架构
    • 贫血模型
      • 代码示例
    • 充血模型
      • 代码示例

架构区别

MVC三层架构

MVC三层架构是软件工程中的一种设计模式,它将软件系统分为 模型(Model)、视图(View)和控制器(Controller) 三个核心部分。具体如下:

  • 模型(Model):模型代表的是数据和业务逻辑,它负责管理应用程序的数据和定义操作数据的规则。模型直接与数据库进行交互,处理如数据库查询、更新等操作,并返回结果给视图或控制器。
  • 视图(View):视图是用户界面元素,它负责显示模型层提供的数据。视图通常不包含程序的逻辑,而是专注于数据的展示和用户交互的界面。一个模型可以对应多个视图,即相同的数据可以以不同的方式展现给用户。
  • 控制器(Controller):控制器是模型与视图之间的协调者,它处理用户的输入和系统的事件,执行相应的业务逻辑,并选择相应的视图来展示模型处理后的数据。控制器确保模型和视图之间的同步和数据的一致性。

DDD四层架构

DDD的四层架构旨在通过明确的层次划分来组织代码结构,促进模块化、可维护性和可扩展性。尽管DDD本身并未严格定义必须使用四层架构,不过在实践中,开发者常参考以下四层来构建DDD应用:

  • 表示层(Presentation Layer):
    这一层负责用户界面的展示和用户交互。它包括Web页面、移动应用的界面或是命令行界面等。此层的主要职责是接收用户的输入并展示处理结果,同时调用领域层的服务来完成业务操作。

  • 应用层(Application Layer):
    应用层是领域层和表示层之间的桥梁,它负责协调领域对象执行业务操作,处理事务边界,以及执行任何与具体技术框架相关的任务(如安全、权限控制等)。应用层中的服务通常很薄,主要封装领域逻辑的入口点,而不包含业务规则。

  • 领域层(Domain Layer):
    DDD的核心所在,封装了复杂的业务规则和逻辑。这一层包含了领域模型、实体(Entities)、值对象(Value Objects)、聚合(Aggregates)、领域事件(Domain Events)等概念。领域层的设计关注于反映业务领域的本质,使得业务逻辑清晰、可维护。

  • 基础设施层(Infrastructure Layer):
    提供底层技术支持,如数据库访问、消息队列、外部服务调用等。这一层实现了技术细节,如ORM映射、数据库访问接口、日志记录等,为上层提供必要的服务,同时也隐藏了技术实现细节,使得领域层和应用层能更加专注于业务逻辑。

贫血模型

在MVC(Model-View-Controller)架构中,模型(Model)负责管理应用程序的数据和业务逻辑。如果模型的实现过于简单,仅仅作为数据的容器,而没有包含足够的业务逻辑,就可能导致所谓的“贫血模型”。
在这种情况下,控制器(Controller)可能会变得过于臃肿,因为它需要处理大量的业务逻辑,而这些逻辑本应该由模型来管理。这种设计问题被称为“贫血模型,膨胀控制器”(Anemic Model, Bloated Controller),其中“贫血模型”指的是缺乏业务逻辑的模型,而“膨胀控制器”则指代承担了过多职责的控制器。
MVC架构中的贫血模型会降低代码的可维护性,将导致以下问题:

  • 业务逻辑分散:由于业务逻辑主要在控制器中实现,而不是封装在模型中,这导致业务逻辑分散在多个控制器中。当需要修改或扩展业务逻辑时,开发者需要找到并修改所有相关的控制器,这使得维护变得更加困难和耗时。
  • 代码复用性差:模型层如果只是简单的数据容器,而没有包含业务逻辑,那么这些模型就很难在不同的上下文中重用。每个新的应用场景都需要重新编写控制器逻辑,这增加了开发的工作量,并且可能导致重复代码的产生。
  • 违反单一职责原则:理想情况下,每个类应该只有一个引起变化的原因。但在贫血模型中,控制器既处理用户输入和交互,又处理业务逻辑,这违反了单一职责原则。当一个类承担了过多的职责时,它变得难以理解和修改。

代码示例

下面是一个示例,展示了一个基本的银行账户(BankAccount)领域对象,包含了存款(deposit)和取款(withdraw)的业务逻辑:

public class BankAccountService {public void deposit(BankAccount account, double amount) {if (amount <= 0) {throw new IllegalArgumentException("Deposit amount must be positive.");}double newBalance = account.getBalance() + amount;account.setBalance(newBalance);}public void withdraw(BankAccount account, double amount) {if (amount <= 0) {throw new IllegalArgumentException("Withdrawal amount must be positive.");}if (account.getBalance() < amount) {throw new IllegalStateException("Insufficient funds.");}double newBalance = account.getBalance() - amount;account.setBalance(newBalance);}
}

充血模型

在(DDD)中,充血模型(Rich Model)是一种设计哲学,它强调将业务逻辑和规则尽可能地集中在领域模型中,而不是分散在服务层或控制器中。这种设计方法与贫血模型(Anemic Model)形成对比,后者的领域模型通常只包含数据结构,而业务逻辑则被放置在其他地方,如控制器或服务层。
充血模型的特点包括:

  • 丰富的领域逻辑:领域模型包含与该领域相关的所有业务逻辑和行为,这使得模型具有丰富的功能和表现力。
  • 封装性:通过将业务逻辑封装在领域模型中,这些逻辑对外部是不可见的,只能通过模型提供的接口进行交互。
  • 领域专家的语言:领域模型使用领域专家的语言来表达概念和规则,这有助于确保软件设计与业务需求紧密匹配。
  • 可维护性和可扩展性:由于业务逻辑集中在领域模型中,当业务规则发生变化时,只需要修改相应的模型,而不需要在整个应用程序中寻找和修改逻辑。
  • 高度的内聚性:领域模型是围绕业务概念构建的,这使得相关的业务逻辑和数据高度内聚

充血模型的优点在于它能够更好地反映和处理复杂的业务需求,同时提高了代码的可读性、可维护性和可测试性。然而,它也可能需要更多的设计和抽象工作,特别是在项目的早期阶段。

代码示例

下面是一个简化的充血模型示例,展示了一个基本的银行账户(BankAccount)领域对象,包含了存款(deposit)和取款(withdraw)的业务逻辑:

// 银行账户领域对象 - 充血模型示例
public class BankAccount {private String accountId;private double balance;// 构造函数public BankAccount(String accountId, double initialBalance) {if (initialBalance < 0) {throw new IllegalArgumentException("Initial balance cannot be negative.");}this.accountId = accountId;this.balance = initialBalance;}// 存款业务逻辑public void deposit(double amount) {if (amount <= 0) {throw new IllegalArgumentException("Deposit amount must be positive.");}addAmountToBalance(amount);}// 取款业务逻辑,包含校验余额public void withdraw(double amount) {if (amount <= 0) {throw new IllegalArgumentException("Withdrawal amount must be positive.");}checkSufficientFunds(amount);subtractAmountFromBalance(amount);}// Getter方法,通常在充血模型中只用于展示,非业务逻辑的一部分public double getBalance() {return balance;}// 增加余额public void addAmountToBalance(double amount){return balance += amount;}// 扣减余额public void subtractAmountFromBalance(double amount){return balance -= amount;}// 检查余额public boolean checkSufficientFunds(double amount){if (balance < amount) {throw new IllegalStateException("Insufficient funds.");}return true;}}

在这里插入图片描述

public class Main {public static void main(String[] args) {BankAccount account = new BankAccount("123456", 0);account.deposit(500); try {account.withdraw(300);} catch (IllegalStateException e) {System.out.println(e.getMessage());}}
}

BankAccount 类不仅包含了账户的属性(如 accountId 和 balance),还直接实现了业务操作(如存款和取款),并包含了相关的业务规则检查(比如不能存取负数金额,取款不能超过余额)。这就是充血模型的核心思想,即领域对象本身是富含业务逻辑的。

这篇关于MVC和DDD的贫血和充血模型对比的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/957390

相关文章

大模型研发全揭秘:客服工单数据标注的完整攻略

在人工智能(AI)领域,数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者,掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中,工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注,不仅能够帮助提升客服自动化系统的智能化水平,还能优化客户服务流程,提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行

Andrej Karpathy最新采访:认知核心模型10亿参数就够了,AI会打破教育不公的僵局

夕小瑶科技说 原创  作者 | 海野 AI圈子的红人,AI大神Andrej Karpathy,曾是OpenAI联合创始人之一,特斯拉AI总监。上一次的动态是官宣创办一家名为 Eureka Labs 的人工智能+教育公司 ,宣布将长期致力于AI原生教育。 近日,Andrej Karpathy接受了No Priors(投资博客)的采访,与硅谷知名投资人 Sara Guo 和 Elad G

Retrieval-based-Voice-Conversion-WebUI模型构建指南

一、模型介绍 Retrieval-based-Voice-Conversion-WebUI(简称 RVC)模型是一个基于 VITS(Variational Inference with adversarial learning for end-to-end Text-to-Speech)的简单易用的语音转换框架。 具有以下特点 简单易用:RVC 模型通过简单易用的网页界面,使得用户无需深入了

透彻!驯服大型语言模型(LLMs)的五种方法,及具体方法选择思路

引言 随着时间的发展,大型语言模型不再停留在演示阶段而是逐步面向生产系统的应用,随着人们期望的不断增加,目标也发生了巨大的变化。在短短的几个月的时间里,人们对大模型的认识已经从对其zero-shot能力感到惊讶,转变为考虑改进模型质量、提高模型可用性。 「大语言模型(LLMs)其实就是利用高容量的模型架构(例如Transformer)对海量的、多种多样的数据分布进行建模得到,它包含了大量的先验

图神经网络模型介绍(1)

我们将图神经网络分为基于谱域的模型和基于空域的模型,并按照发展顺序详解每个类别中的重要模型。 1.1基于谱域的图神经网络         谱域上的图卷积在图学习迈向深度学习的发展历程中起到了关键的作用。本节主要介绍三个具有代表性的谱域图神经网络:谱图卷积网络、切比雪夫网络和图卷积网络。 (1)谱图卷积网络 卷积定理:函数卷积的傅里叶变换是函数傅里叶变换的乘积,即F{f*g}

秋招最新大模型算法面试,熬夜都要肝完它

💥大家在面试大模型LLM这个板块的时候,不知道面试完会不会复盘、总结,做笔记的习惯,这份大模型算法岗面试八股笔记也帮助不少人拿到过offer ✨对于面试大模型算法工程师会有一定的帮助,都附有完整答案,熬夜也要看完,祝大家一臂之力 这份《大模型算法工程师面试题》已经上传CSDN,还有完整版的大模型 AI 学习资料,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费

【生成模型系列(初级)】嵌入(Embedding)方程——自然语言处理的数学灵魂【通俗理解】

【通俗理解】嵌入(Embedding)方程——自然语言处理的数学灵魂 关键词提炼 #嵌入方程 #自然语言处理 #词向量 #机器学习 #神经网络 #向量空间模型 #Siri #Google翻译 #AlexNet 第一节:嵌入方程的类比与核心概念【尽可能通俗】 嵌入方程可以被看作是自然语言处理中的“翻译机”,它将文本中的单词或短语转换成计算机能够理解的数学形式,即向量。 正如翻译机将一种语言

AI Toolkit + H100 GPU,一小时内微调最新热门文生图模型 FLUX

上个月,FLUX 席卷了互联网,这并非没有原因。他们声称优于 DALLE 3、Ideogram 和 Stable Diffusion 3 等模型,而这一点已被证明是有依据的。随着越来越多的流行图像生成工具(如 Stable Diffusion Web UI Forge 和 ComyUI)开始支持这些模型,FLUX 在 Stable Diffusion 领域的扩展将会持续下去。 自 FLU

SWAP作物生长模型安装教程、数据制备、敏感性分析、气候变化影响、R模型敏感性分析与贝叶斯优化、Fortran源代码分析、气候数据降尺度与变化影响分析

查看原文>>>全流程SWAP农业模型数据制备、敏感性分析及气候变化影响实践技术应用 SWAP模型是由荷兰瓦赫宁根大学开发的先进农作物模型,它综合考虑了土壤-水分-大气以及植被间的相互作用;是一种描述作物生长过程的一种机理性作物生长模型。它不但运用Richard方程,使其能够精确的模拟土壤中水分的运动,而且耦合了WOFOST作物模型使作物的生长描述更为科学。 本文让更多的科研人员和农业工作者

线性因子模型 - 独立分量分析(ICA)篇

序言 线性因子模型是数据分析与机器学习中的一类重要模型,它们通过引入潜变量( latent variables \text{latent variables} latent variables)来更好地表征数据。其中,独立分量分析( ICA \text{ICA} ICA)作为线性因子模型的一种,以其独特的视角和广泛的应用领域而备受关注。 ICA \text{ICA} ICA旨在将观察到的复杂信号