这些扩展方法在哪里找？

在VS中新建EF之后，右键解决方案下的 引用 , 选择 管理NuGet程序包 ,搜索 Z.EntityFramework.Extensions 并安装。
然后在类里面添加引用之后就可以直接点出来。
批量添加和EF本身自带的添加性能提高了多少？

下面咱们就用实例说话:
构造一个10W个studentinfo实例：
            '''定义要添加数据的条数'''
            int customerCount = 100000;
            '''定义一个实体集合'''
            List<studentInfo> customers = new List<studentInfo>();
            '''想集合中添加数据'''
            for (int i = 0; i < customerCount; i++)
                studentInfo customer = new studentInfo()
                    name = "2" + i,
                    sex = "2" + i,
                    studentID = "2" + i,
                    age = "2"
                customers.Add(customer);
                Console.Write(".");
用EF自带的添加方法将数据添加到数据库中，为了计算使用时间，加上StopWatch：
'''开始计时'''
Stopwatch watch = Stopwatch.StartNew();
using (EFTestEntities dbcontext = new EFTestEntities())
                foreach (var entity in customers)
                    dbcontext.studentInfoes.Add(entity);
                dbcontext.SaveChanges();
'''计时结束'''
watch.Stop();
'''输出时间'''
Console.WriteLine(string.Format("{0} customers are created, cost {1} milliseconds.", customerCount, watch.ElapsedMilliseconds));
好了现在运行，等待中…… 

哎~~实在是没有耐心等待它运行完。 

怎么办，减少数据量，先添加1000条：
还好，用时6157毫秒，6.157秒；
接着走，把数据量改为10000条：
运行完了，共117096毫秒，117.096秒，将近两分钟。实在是没有耐心再测100000条的了，接下来直接测批量添加的方法。
将上面的添加到数据库中的代码换成下面的代码：
dbcontext.BulkInsert(customers);
dbcontext.BulkSaveChanges();
直接上10W条：
运行完了，共3592毫秒，3.592秒，真快啊~~
那么20W呢？
20W条数据运行完，才花了6346毫秒，6.346秒的时间。比上面的方法添加1000条的数据用的时间差不多，看来EF自带的添加方法慢，是毋庸置疑的了。
为什么扩展方法用的时间这么少？
ＥＦ自带的方法，会增加与数据库的交互次数，一般地，ＥＦ的一个上下文在提交时会打开一个数据连接，然后把转换成的ＳＱＬ语句一条一条的发到数据库端，然后去提交，下面的图片是我用SQL Server Profiler记录的和数据库交互的操作，这只是一小部分，试想，如果你的数据量达到万级别（更不用说百万，千万数据了），那对数据库的压力是很大的
而扩展方法运行时与数据库的交互是这样的：
批量添加的方法是生成一条SQL语句，和数据库只交互一次。那为什么图片中有多条Insert语句呢，当你使用BulkInsert时，如果数据达到４万之前，那在SQL的解释时，也是很有压力的，有多情况下会超时，当然这与你的数据库服务器有关，但为了性能与安全，将Bulk操作变为分批提交，即将上W的数据进行分解，分用１Ｗ数据量提交一次，这样，对数据库的压力就小一些。
  源代码下载：EF扩展方法BulkInsert（批量添加）
参考博客链接 

EF架构~数据分批批量提交
EntityFramework 中支持 BulkInsert 扩展
批量操作可显著提升Entity Framework的性能
.NET Entity Framework Extensions
                Flink SQL 在美团实时数仓中的增强与实践
            美团数据系统研发工程师董剑辉&美团数据系统研发工程师张彬，在 Flink Forward Asia 2022 平台建设专场的分享。
                面向异构数据的Schema-on-Read分析技术设计与实践
            本文是12月4号在《DataFunTalk技术交流会：阿里云实时查询分析专场》分享的议题《面向异构数据的Schema-on-Read分析技术与实践》的文字版记录。一、背景介绍数字化转型浪潮中，物理世界到数字世界的映射带来了各种各样结构的数据。第一种是完全无结构的数据，完全没有任何规律，典型的如syslog这种记录系统事件的日志；第二种是半结构化数据，有局部的结构，但是不同的行的字段的数目是不确定的
                                            18853
                分布式全局唯一ID （学习总结---从入门到深化）
            日常开发中，我们需要对系统中的各种数据使用 ID 唯一表示，比如 用户 ID 对应且仅对应一个人，商品 ID 对应且仅对应一件商品，订 单 ID 对应且仅对应一个订单。
                大数据学习记录---JAVA篇---后续知识
            一些面向对象之后的知识的学习，包括下面知识：1、包装类    2、正则表达式   3、Array类  4、Lambda表达式  5、collection集合 --List系列和Set系列    6、 map集合--重点hashmap      7、泛型修饰     8、可变参数
其实一种常见API的知识，也不太需要死记硬背，要学会查api文档去看里面具体每个方法是怎么用的，在后续使用中去学去熟悉。
            1. openGauss AI框架的特点
DB4AI这个方向中，数据库通过集成AI能力，在用户进行AI计算时就可以避免数据搬运的问题。不同于其他的DB4AI框架，本次openGauss开源的原生框架是通过添加AI算子的方式完成数据库中的AI计算。
那么除了避免了数据搬运所带来的问题这个普遍优势，openGauss的AI框架还具有以下的优势和特点：
1）极低的学习门槛
当前最主流的计算框架：Tensorflow、pytorch、keras等大多依托于python语言作为构建的脚本语言，虽然python已经足够的简单易学但还是需要一定的学习成本。而当前的框架，设计提供了CREATE MOD
                图解大数据 | 基于Dataframe / SQL大数据处理分析@Spark操作
            DataFrame是一个以命名列方式组织的分布式数据集。本文详细讲解 Spark Dataframe的创建方式，Dataframe数据的Agg、Collect、Groupby、Join等核心操作，以及Spark SQL操作核心要点。