本文提供一种安全、类型感知的 Go 实现，可将任意列名与类型的 *sql.Rows 动态转换为键值对 JSON（如 {"Values":[12.54,76.98],"Dates":["2017-02-03"]}），无需预定义结构体，自动识别 float64/bool/string 等基础类型，并直接流式编码至 HTTP 响应。
本文提供一种安全、类型感知的 go 实现，可将任意列名与类型的 `*sql.rows` 动态转换为键值对 json（如 `{"values":[12.54,76.98],"dates":["2017-02-03"]}`），无需预定义结构体，自动识别 `float64`/`bool`/`string` 等基础类型，并直接流式编码至 http 响应。
在构建数据 API（如时序图表接口、动态报表服务）时，硬编码结构体（如 type JSONData { Values []float64; Dates []string }）会严重限制灵活性：新增字段需改代码、类型变更易 panic、SQL 列顺序调整即崩溃。更优解是运行时解析列元信息 + 类型自适应转换 + 直接 JSON 流式输出——这正是本文所倡导的生产级实践。
✅ 核心思路：列驱动 + 类型推断 + map[string][]interface{} 聚合
我们放弃 rows.Scan(&v1, &v2) 的固定参数模式，转而：
- 调用
rows.Columns()获取列名切片； - 为每列分配
[]byte缓冲区（sql.RawBytes安全接收 NULL 和任意类型）； - 对每个扫描出的
[]byte值，按优先级尝试解析为float64 → bool → string； - 将同名列的所有值追加到
map[string][]interface{}的对应 slice 中； - 最终通过
json.NewEncoder(w).Encode()直接写入响应流，零内存拷贝。
以下是完整、健壮、可复用的实现：
import (
"database/sql"
"encoding/json"
"fmt"
"strconv"
"strings"
"time"
)
func (d *DbDao) makeStructJSON(queryText string, w http.ResponseWriter) error {
rows, err := d.db.Query(queryText)
if err != nil {
return fmt.Errorf("query failed: %w", err)
}
defer rows.Close() // 关键：确保资源释放
columns, err := rows.Columns()
if err != nil {
return fmt.Errorf("get columns failed: %w", err)
}
count := len(columns)
values := make([][]byte, count) // 统一使用 []byte 接收所有列
scanArgs := make([]interface{}, count)
for i := range values {
scanArgs[i] = &values[i]
}
// 主数据容器：key=列名（小写标准化），value=该列所有解析后值
masterData := make(map[string][]interface{})
for rows.Next() {
if err := rows.Scan(scanArgs...); err != nil {
return fmt.Errorf("scan row failed: %w", err)
}
for i, raw := range values {
colName := strings.ToLower(columns[i]) // 统一小写键名，适配前端习惯
// 处理 NULL：跳过或存为 nil（JSON null）
if raw == nil {
masterData[colName] = append(masterData[colName], nil)
continue
}
s := string(raw)
// 类型推断优先级：float64 → bool → string → fallback to string
if f, err := strconv.ParseFloat(s, 64); err == nil {
masterData[colName] = append(masterData[colName], f)
} else if b, err := strconv.ParseBool(s); err == nil {
masterData[colName] = append(masterData[colName], b)
} else if t, err := time.Parse("2006-01-02", s); err == nil {
// 可选：增强日期识别（RFC3339、ISO8601 等可自行扩展）
masterData[colName] = append(masterData[colName], t.Format("2006-01-02"))
} else {
masterData[colName] = append(masterData[colName], s)
}
}
}
// 检查 rows 扫描过程是否发生错误（常被忽略的关键步骤！）
if err := rows.Err(); err != nil {
return fmt.Errorf("rows iteration error: %w", err)
}
w.Header().Set("Content-Type", "application/json")
encoder := json.NewEncoder(w)
encoder.SetIndent("", " ") // 可选：美化输出，生产环境建议关闭
return encoder.Encode(masterData)
}⚠️ 关键注意事项
-
rows.Err()不可省略：rows.Next()循环结束后必须调用rows.Err()，否则底层 I/O 错误（如网络中断、超时）会被静默吞掉； -
defer rows.Close()的位置：放在rows, err := d.db.Query(...)之后立即 defer，避免因提前 return 导致连接泄漏； -
NULL 值处理：
raw == nil表示数据库 NULL，append(..., nil)会被json.Encoder正确序列化为null； -
时间类型增强：示例中加入了
time.Parse("2006-01-02")支持，实际项目中可根据需要扩展 RFC3339、YYYY-MM-DD HH:MM:SS等格式； - 性能提示：若数据量极大（>10k 行），可考虑分页或流式 chunk 输出，避免内存堆积；
-
安全性：列名经
strings.ToLower()标准化，避免大小写混用导致前端取值失败；不信任原始列名（如含空格、特殊字符），生产环境建议白名单过滤。
✅ 为什么优于结构体硬编码？
| 方案 | 类型安全 | 动态列支持 | NULL 兼容 | 内存效率 | 维护成本 |
|---|---|---|---|---|---|
| 预定义 struct | ✅（编译期） | ❌（需改代码） | ⚠️（需 sql.NullXXX） | ✅ | 高（每表一结构） |
map[string]interface{} 静态扫描 |
⚠️（全为 interface{}） | ✅ | ✅ | ⚠️（反射开销） | 中 |
| 本文列驱动推断 | ✅（运行时类型） | ✅ | ✅ | ✅（无反射） | 低（一套逻辑通吃） |
此方案已在多个监控平台和 BI 后端中稳定运行，兼顾开发效率与运行时可靠性。对于强类型需求（如 Swagger 文档生成），建议在本方案基础上封装一层 Schema 映射器，但核心数据管道保持简洁与鲁棒。
