Rumah pembangunan bahagian belakang Tutorial Python Memodulasi Model SQLAlchemy dengan Campuran dan Anotasi

Memodulasi Model SQLAlchemy dengan Campuran dan Anotasi

Jan 04, 2025 pm 08:08 PM

Modularizing SQLAlchemy Models with Mixins and Annotations
Membina model berskala dan boleh diselenggara selalunya memerlukan pendekatan modular, terutamanya apabila mengendalikan gelagat dikongsi atau jenis lajur biasa merentas berbilang model. Dalam blog ini, kami akan membincangkan cara kami boleh memodulasi model menggunakan campuran dan anotasi SQLAlchemy.
   

Mengapa Modularize?

Apabila mengerjakan projek, kami sering menghadapi tugasan yang berulang seperti menambah cap masa create_at dan updated_at pada model atau menentukan jenis lajur biasa seperti kunci utama UUID. Memodulasi kebimbangan ini kepada komponen yang berasingan mempunyai beberapa faedah:
 
1. Kebolehgunaan semula: Gelagat dikongsi dan takrifan lajur boleh digunakan merentas berbilang model.
2. Kebolehselenggaraan: Perubahan di satu tempat disebarkan kepada semua model bergantung.
3. Kebolehbacaan: Pemisahan kebimbangan yang jelas menjadikan kod lebih mudah difahami.

 

Mencipta Campur Masa

Mixin menyediakan logik atau medan boleh guna semula untuk model. Mari kita tentukan TimestampMixin yang secara automatik menambah medan create_at dan updated_at pada mana-mana model yang mewarisi daripadanya.
 
Fail: timestamp_mixin.py

from datetime import datetime
from sqlalchemy import Column, DateTime
from sqlalchemy.ext.declarative import declared_attr

class TimestampMixin:
    @declared_attr
    def created_at(cls):
        return Column(DateTime, default=datetime.utcnow, nullable=False)

    @declared_attr
    def updated_at(cls):
        return Column(DateTime, default=datetime.utcnow, onupdate=datetime.utcnow, nullable=False)
Salin selepas log masuk
Salin selepas log masuk
Penjelasan
  • @declared_attr: Memastikan atribut ditambahkan secara dinamik pada model pewarisan.
  • lalai dan onkemas kini: Tetapkan cap masa secara automatik untuk penciptaan dan kemas kini.

 

Mentakrifkan Anotasi Biasa

Jenis Beranotasi SQLchemy, tersedia melalui penaipan Python. Beranotasi, membolehkan anda menentukan sifat lajur boleh guna semula. Sebagai contoh, anda boleh menentukan kunci utama UUID atau lajur String dengan kekangan tertentu.
 
Fail: common_annotations.py

from typing import Annotated
from uuid import uuid4
from sqlalchemy import String
from sqlalchemy.dialects.postgresql import UUID
from sqlalchemy.orm import mapped_column

uuid4pk = 
    mapped_column(UUID(as_uuid=True), primary_key=True, default=uuid4, nullable=False)
]

name = Annotated[
    str,
    mapped_column(String(30), nullable=False)
]
Salin selepas log masuk
Penjelasan
  • Kunci Utama UUID: Anotasi uuid4pk mentakrifkan pengecam unik universal untuk kunci primer.
  • Lajur Nama: Anotasi nama memastikan lajur Rentetan dengan panjang maksimum 30 aksara dan tiada nilai NULL.

 

Membina Model dengan Campuran dan Anotasi

Menggunakan campuran dan anotasi, kita boleh menentukan model yang mewarisi gelagat dan sifat dikongsi sambil memastikan pelaksanaan ringkas dan boleh dibaca.
 
Fail: user.py

from datetime import datetime
from sqlalchemy import Column, DateTime
from sqlalchemy.ext.declarative import declared_attr

class TimestampMixin:
    @declared_attr
    def created_at(cls):
        return Column(DateTime, default=datetime.utcnow, nullable=False)

    @declared_attr
    def updated_at(cls):
        return Column(DateTime, default=datetime.utcnow, onupdate=datetime.utcnow, nullable=False)
Salin selepas log masuk
Salin selepas log masuk
Penjelasan
  • Pangkalan Pengisytiharan: Pangkalan berfungsi sebagai asas untuk semua model SQLAlchemy.

 

Faedah Pendekatan Ini

1. Perpisahan Jelas Kebimbangan

  • timestamp_mixin.py: Mengandungi logik boleh guna semula (cth., cap masa).
  • common_annotations.py: Mentakrifkan sifat lajur biasa (cth., UUID, rentetan).
  • user.py: Menggabungkan blok binaan ini menjadi model konkrit.

2. Kemudahan Penyelenggaraan

  • Jika diperlukan untuk menukar cara cap masa berfungsi atau mengemas kini kekangan lajur, ia hanya diperlukan untuk mengubah suai fail timestamp_mixin.py atau common_annotations.py. Perubahan secara automatik mencerminkan semua model bergantung.

3. Skalabiliti

  • Apabila projek berkembang, struktur ini memudahkan untuk menambah gelagat baharu atau jenis medan tanpa memperkenalkan lebihan.

   

Fikiran Akhir

Memodulasi model dengan campuran dan anotasi SQLAlchemy ialah strategi yang baik untuk mengendalikan fungsi dan sifat dikongsi. Pendekatan ini bukan sahaja mengurangkan pertindihan tetapi juga selaras dengan amalan terbaik untuk kod yang bersih dan boleh diselenggara.

Atas ialah kandungan terperinci Memodulasi Model SQLAlchemy dengan Campuran dan Anotasi. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Kenyataan Laman Web ini
Kandungan artikel ini disumbangkan secara sukarela oleh netizen, dan hak cipta adalah milik pengarang asal. Laman web ini tidak memikul tanggungjawab undang-undang yang sepadan. Jika anda menemui sebarang kandungan yang disyaki plagiarisme atau pelanggaran, sila hubungi admin@php.cn

Alat AI Hot

Undresser.AI Undress

Undresser.AI Undress

Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover

AI Clothes Remover

Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool

Undress AI Tool

Gambar buka pakaian secara percuma

Clothoff.io

Clothoff.io

Penyingkiran pakaian AI

Video Face Swap

Video Face Swap

Tukar muka dalam mana-mana video dengan mudah menggunakan alat tukar muka AI percuma kami!

Artikel Panas

<🎜>: Bubble Gum Simulator Infinity - Cara Mendapatkan dan Menggunakan Kekunci Diraja
4 minggu yang lalu By 尊渡假赌尊渡假赌尊渡假赌
Nordhold: Sistem Fusion, dijelaskan
4 minggu yang lalu By 尊渡假赌尊渡假赌尊渡假赌
Mandragora: Whispers of the Witch Tree - Cara Membuka Kunci Cangkuk Bergelut
3 minggu yang lalu By 尊渡假赌尊渡假赌尊渡假赌

Alat panas

Notepad++7.3.1

Notepad++7.3.1

Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina

SublimeText3 versi Cina

Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1

Hantar Studio 13.0.1

Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6

Dreamweaver CS6

Alat pembangunan web visual

SublimeText3 versi Mac

SublimeText3 versi Mac

Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas

Tutorial Java
1672
14
Tutorial PHP
1277
29
Tutorial C#
1257
24
Python vs C: Lengkung pembelajaran dan kemudahan penggunaan Python vs C: Lengkung pembelajaran dan kemudahan penggunaan Apr 19, 2025 am 12:20 AM

Python lebih mudah dipelajari dan digunakan, manakala C lebih kuat tetapi kompleks. 1. Sintaks Python adalah ringkas dan sesuai untuk pemula. Penaipan dinamik dan pengurusan memori automatik menjadikannya mudah digunakan, tetapi boleh menyebabkan kesilapan runtime. 2.C menyediakan kawalan peringkat rendah dan ciri-ciri canggih, sesuai untuk aplikasi berprestasi tinggi, tetapi mempunyai ambang pembelajaran yang tinggi dan memerlukan memori manual dan pengurusan keselamatan jenis.

Pembelajaran Python: Adakah 2 jam kajian harian mencukupi? Pembelajaran Python: Adakah 2 jam kajian harian mencukupi? Apr 18, 2025 am 12:22 AM

Adakah cukup untuk belajar Python selama dua jam sehari? Ia bergantung pada matlamat dan kaedah pembelajaran anda. 1) Membangunkan pelan pembelajaran yang jelas, 2) Pilih sumber dan kaedah pembelajaran yang sesuai, 3) mengamalkan dan mengkaji semula dan menyatukan amalan tangan dan mengkaji semula dan menyatukan, dan anda secara beransur-ansur boleh menguasai pengetahuan asas dan fungsi lanjutan Python dalam tempoh ini.

Python vs C: Meneroka Prestasi dan Kecekapan Python vs C: Meneroka Prestasi dan Kecekapan Apr 18, 2025 am 12:20 AM

Python lebih baik daripada C dalam kecekapan pembangunan, tetapi C lebih tinggi dalam prestasi pelaksanaan. 1. Sintaks ringkas Python dan perpustakaan yang kaya meningkatkan kecekapan pembangunan. 2. Ciri-ciri jenis kompilasi dan kawalan perkakasan meningkatkan prestasi pelaksanaan. Apabila membuat pilihan, anda perlu menimbang kelajuan pembangunan dan kecekapan pelaksanaan berdasarkan keperluan projek.

Python vs C: Memahami perbezaan utama Python vs C: Memahami perbezaan utama Apr 21, 2025 am 12:18 AM

Python dan C masing -masing mempunyai kelebihan sendiri, dan pilihannya harus berdasarkan keperluan projek. 1) Python sesuai untuk pembangunan pesat dan pemprosesan data kerana sintaks ringkas dan menaip dinamik. 2) C sesuai untuk prestasi tinggi dan pengaturcaraan sistem kerana menaip statik dan pengurusan memori manual.

Yang merupakan sebahagian daripada Perpustakaan Standard Python: Senarai atau Array? Yang merupakan sebahagian daripada Perpustakaan Standard Python: Senarai atau Array? Apr 27, 2025 am 12:03 AM

Pythonlistsarepartofthestandardlibrary, sementara

Python: Automasi, skrip, dan pengurusan tugas Python: Automasi, skrip, dan pengurusan tugas Apr 16, 2025 am 12:14 AM

Python cemerlang dalam automasi, skrip, dan pengurusan tugas. 1) Automasi: Sandaran fail direalisasikan melalui perpustakaan standard seperti OS dan Shutil. 2) Penulisan Skrip: Gunakan Perpustakaan Psutil untuk memantau sumber sistem. 3) Pengurusan Tugas: Gunakan perpustakaan jadual untuk menjadualkan tugas. Kemudahan penggunaan Python dan sokongan perpustakaan yang kaya menjadikannya alat pilihan di kawasan ini.

Python untuk pengkomputeran saintifik: rupa terperinci Python untuk pengkomputeran saintifik: rupa terperinci Apr 19, 2025 am 12:15 AM

Aplikasi Python dalam pengkomputeran saintifik termasuk analisis data, pembelajaran mesin, simulasi berangka dan visualisasi. 1.Numpy menyediakan susunan pelbagai dimensi yang cekap dan fungsi matematik. 2. Scipy memanjangkan fungsi numpy dan menyediakan pengoptimuman dan alat algebra linear. 3. Pandas digunakan untuk pemprosesan dan analisis data. 4.Matplotlib digunakan untuk menghasilkan pelbagai graf dan hasil visual.

Python untuk Pembangunan Web: Aplikasi Utama Python untuk Pembangunan Web: Aplikasi Utama Apr 18, 2025 am 12:20 AM

Aplikasi utama Python dalam pembangunan web termasuk penggunaan kerangka Django dan Flask, pembangunan API, analisis data dan visualisasi, pembelajaran mesin dan AI, dan pengoptimuman prestasi. 1. Rangka Kerja Django dan Flask: Django sesuai untuk perkembangan pesat aplikasi kompleks, dan Flask sesuai untuk projek kecil atau sangat disesuaikan. 2. Pembangunan API: Gunakan Flask atau DjangorestFramework untuk membina Restfulapi. 3. Analisis Data dan Visualisasi: Gunakan Python untuk memproses data dan memaparkannya melalui antara muka web. 4. Pembelajaran Mesin dan AI: Python digunakan untuk membina aplikasi web pintar. 5. Pengoptimuman Prestasi: Dioptimumkan melalui pengaturcaraan, caching dan kod tak segerak

See all articles