


Wie aktualisiere ich die Werte mehrerer Schlüssel in einem JsonField mithilfe der Methode .update() mithilfe von Djangos ORM?
Ich habe ein Modellfeld, das ich mit Djangos verwenden möchte .update()
方法进行更新。该字段是一个 jsonfield。我通常会在这个领域保存一本字典。例如{"test": "是", "prod": "否"}
Das ist das Modell:
class question(models.model): # {"test": "yes", "prod": "no"} extra_data = models.jsonfield(default=dict, null=true, blank=true)
Mit dieser Abfrage kann ich die Schlüssel im Wörterbuch aktualisieren (was übrigens hervorragend funktioniert):
Question.filter(id="123").update(meta_data=Func( F("extra_data"), Value(["test"]), Value("no", JSONField()), function="jsonb_set", ))
Die Frage ist nun: Gibt es eine Möglichkeit, mehrere Schlüssel (in meinem Fall zwei) gleichzeitig mit .update()
zu aktualisieren, wie in der obigen Abfrage gezeigt?
Ich möchte die .update()
方法而不是 .save()
-Methode anstelle von .save()
verwenden, um dies zu erreichen, damit ich den Aufruf der Signalfunktion post_save vermeiden kann.
Richtige Antwort
Haftungsausschluss: Es wird hässlich aussehen.
Ich habe das in der Vergangenheit gemacht, allerdings mit reinem SQL, nicht mit Django. Die Idee ist, rekursiv aufzurufen jsonb_set()
. Jeder Anruf legt einen Schlüssel fest.
Um in SQL einen Schlüssel {"test":"yes","prod":"no"}
festzulegen, gehen Sie wie folgt vor:
update question set meta_data = jsonb_set(jsonb_set(extra_data, '{test}', '"yes"'::jsonb), '{prod}', '"no"'::jsonb) where id = 123;
Bitte beachten Sie, dass es zwei verschachtelte Aufrufe von jsonb_set gibt, der innerste wird verwendet meta_data
und der äußerste erhält das innerste Ergebnis.
Das Django-Äquivalent sieht also so aus (Hinweis, ungetestet):
question.filter(id="123").update( meta_data=func( func( f("extra_data"), value(["test"]), value("yes", jsonfield()), function="jsonb_set", ), value(["prod"]), value("no", jsonfield()), function="jsonb_set", ))
Oder Sie könnten eine rekursive Funktion erstellen, die das Durcheinander für Sie zurückgibt und jeweils ein Element festlegt:
def recursive_jsonb_set(original, **kwargs): if kwargs: key, value = kwargs.popitem() return Func( recursive_jsonb_set(original, **kwargs), Value(key.split('__')), Value(value, JSONField()), function="jsonb_set") else: return original Question.filter(id="123").update( meta_data=recursive_jsonb_set(F("extra_data"), test="yes", prod="no", other__status="done"))
Bitte beachten Sie die '__'
-Funktion zum Aktualisieren von Kindern.
Das obige ist der detaillierte Inhalt vonWie aktualisiere ich die Werte mehrerer Schlüssel in einem JsonField mithilfe der Methode .update() mithilfe von Djangos ORM?. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

Heiße Werkzeuge

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6
Visuelle Webentwicklungstools

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Heiße Themen

Dieses Tutorial zeigt, wie man Python verwendet, um das statistische Konzept des Zipf -Gesetzes zu verarbeiten, und zeigt die Effizienz des Lesens und Sortierens großer Textdateien von Python bei der Bearbeitung des Gesetzes. Möglicherweise fragen Sie sich, was der Begriff ZiPF -Verteilung bedeutet. Um diesen Begriff zu verstehen, müssen wir zunächst das Zipf -Gesetz definieren. Mach dir keine Sorgen, ich werde versuchen, die Anweisungen zu vereinfachen. Zipf -Gesetz Das Zipf -Gesetz bedeutet einfach: In einem großen natürlichen Sprachkorpus erscheinen die am häufigsten vorkommenden Wörter ungefähr doppelt so häufig wie die zweiten häufigen Wörter, dreimal wie die dritten häufigen Wörter, viermal wie die vierten häufigen Wörter und so weiter. Schauen wir uns ein Beispiel an. Wenn Sie sich den Brown Corpus in amerikanischem Englisch ansehen, werden Sie feststellen, dass das häufigste Wort "Th ist

In diesem Artikel wird erklärt, wie man schöne Suppe, eine Python -Bibliothek, verwendet, um HTML zu analysieren. Es beschreibt gemeinsame Methoden wie find (), find_all (), select () und get_text () für die Datenextraktion, die Behandlung verschiedener HTML -Strukturen und -Anternativen (SEL)

Der Umgang mit lauten Bildern ist ein häufiges Problem, insbesondere bei Mobiltelefonen oder mit geringen Auflösungskamera-Fotos. In diesem Tutorial wird die Bildfilterungstechniken in Python unter Verwendung von OpenCV untersucht, um dieses Problem anzugehen. Bildfilterung: Ein leistungsfähiges Werkzeug Bildfilter

PDF-Dateien sind für ihre plattformübergreifende Kompatibilität beliebt, wobei Inhalte und Layout für Betriebssysteme, Lesegeräte und Software konsistent sind. Im Gegensatz zu Python Processing -Klartextdateien sind PDF -Dateien jedoch binäre Dateien mit komplexeren Strukturen und enthalten Elemente wie Schriftarten, Farben und Bilder. Glücklicherweise ist es nicht schwierig, PDF -Dateien mit Pythons externen Modulen zu verarbeiten. In diesem Artikel wird das PYPDF2 -Modul verwendet, um zu demonstrieren, wie Sie eine PDF -Datei öffnen, eine Seite ausdrucken und Text extrahieren. Die Erstellung und Bearbeitung von PDF -Dateien finden Sie in einem weiteren Tutorial von mir. Vorbereitung Der Kern liegt in der Verwendung von externem Modul PYPDF2. Installieren Sie es zunächst mit PIP: pip ist p

Dieses Tutorial zeigt, wie man Redis Caching nutzt, um die Leistung von Python -Anwendungen zu steigern, insbesondere innerhalb eines Django -Frameworks. Wir werden Redis -Installation, Django -Konfiguration und Leistungsvergleiche abdecken, um den Vorteil hervorzuheben

Dieser Artikel vergleicht TensorFlow und Pytorch für Deep Learning. Es beschreibt die beteiligten Schritte: Datenvorbereitung, Modellbildung, Schulung, Bewertung und Bereitstellung. Wichtige Unterschiede zwischen den Frameworks, insbesondere bezüglich des rechnerischen Graps

Python, ein Favorit für Datenwissenschaft und Verarbeitung, bietet ein reichhaltiges Ökosystem für Hochleistungs-Computing. Die parallele Programmierung in Python stellt jedoch einzigartige Herausforderungen dar. Dieses Tutorial untersucht diese Herausforderungen und konzentriert sich auf die globale Interprete

Dieses Tutorial zeigt, dass eine benutzerdefinierte Pipeline -Datenstruktur in Python 3 erstellt wird, wobei Klassen und Bedienerüberladungen für verbesserte Funktionen genutzt werden. Die Flexibilität der Pipeline liegt in ihrer Fähigkeit, eine Reihe von Funktionen auf einen Datensatz GE anzuwenden
