介绍Python的Django框架中的QuerySets
Django的QuerySets酷毙了！
在本文中我将解释一下QuerySets是什么，它是如何工作的（如果你对它已经熟悉了，你可以直接跳到第二部分），我认为如果可以的话你应该总是返回QuerySets对象，下面让我来谈谈如何做。
QuerySets很酷
QuerySet，本质上是一个给定的模型的对象列表。我说“列表”而不是“组”或更正式的“集合”因为它是有序的。事实上，你可能已经熟悉如何获得QuerySets，因为这就是你调用variousBook.objects.XXX()方法后得到的对象。例如，考虑下面的语句：
Book.objects.all()
all()返回的就是Book实例的一个QuerySet，它正好包括allBookinstances，下面的其他调用你可能已经知道：
# Return all books published since 1990
Book.objects.filter(year_published__gt=1990)
# Return all books *not* written by Richard Dawkins
Book.objects.exclude(author='Richard Dawkins')
# Return all books, ordered by author name, then
# chronologically, with the newer ones first.
Book.objects.order_by('author', '-year_published')
关于 QuerySet s最酷的是，由于这些函数操作、返回的都是一个QuerySet，你可以把他们链起来：
# Return all book published after 1990, except for
# ones written by Richard Dawkins. Order them by
# author name, then chronologically, with the newer
# ones first.
Book.objects.filter(year_published__gt=1990) \
.exclude(author='Richard Dawkins') \
.order_by('author', '-year_published')
而且这并不是全部的，它更快！
在内部，一个QuerySet可以被构造、过滤、切片及像普通变量那样在没有实际数据库查询的情况下随便传递，在评估处理完QuerySet前不产生数据库活动。
所有我们确认了QuerySets很酷，不是么？
尽可能的返回QuerySets
我最近曾在一个Django应用中用一个模型来表示树（数据结构，不是圣诞装饰）。这意味着每一个实例在树上都有一个指向它父节点的链接。它看起来像这样：
class Node(models.Model):
parent = models.ForeignKey(to='self', null=True, blank=True)
value = models.IntegerField()
def __unicode__(self):
return 'Node #{}'.format(self.id)
def get_ancestors(self):
if self.parent is None:
return []
return [self.parent] + self.parent.get_ancestors()
这工作的相当好。麻烦的是，我不得不添加另一种方法，get_larger_ancestors，它应该返回所有值大于当前节点的的父节点。这是我能实现这个：
def get_larger_ancestors(self):
ancestors = self.get_ancestors()
return [node for node in ancestors if node.value > self.value]
问题是，我基本上会在名单上审查两次——Django一次，我自己一次。这让我考虑到-如果get_ancestors返回QuerySet而不是列表会怎样呢？我可以这样做：
def get_larger_ancestors(self):
return self.get_ancestors().filter(value__gt=self.value)
很简单，这里更重要的是我没有遍历对象。我可以对get_larger_ancestors的返回使用任何我想使用的过滤器，而且感到安全——我不会得到一个未知大小的对象列表。这样的主要优势是我一直使用相同的查询接口。当用户得到了一大堆的对象，我们不知道他想怎样对它们进行切片分块。而返回QuerySet对象时我保证用户知道如何处理它。
但如何实现get_ancestorsto返回一个QuerySet呢？这是一个小技巧。用一条简单的查询收集我们需要的数据是不可能的，使用任何预定数量的查询也是不可能的。我们要找的法则是动态的，选择的实现看起来很像它现在的样子，下面就是选择，一个更好的实现：
class Node(models.Model):
parent = models.ForeignKey(to='self', null=True, blank=True)
value = models.IntegerField()
def __unicode__(self):
return 'Node #{}'.format(self.id)
def get_ancestors(self):
if self.parent is None:
return Node.objects.none()
return Node.objects.filter(pk=self.parent.pk) | self.parent.get_ancestors()
def get_larger_ancestors(self):
return self.get_ancestors().filter(value__gt=self.value)
稍停一会，沉淀一下，马上说出细节。
我想说的是，不论什么时候你返回一系列对象——你应该总是返回一个QuerySet替代。这样做将允许用户使用一种简单、熟悉、具备更好性能的方法自由过滤、剪接和排序结果。
（从一个侧面说get_ancestors查询了数据库，因为我使用了递归的self.parent。这里有一个额外的数据库执行——当实际检测结果时执行了这个函数，未来又执行了另外一次。当我们在数据库查询上使用更多的过滤器或进行高耗内存的操作时我们得到了性能的提升。这里的例子
常见的QuerySet操作
所以，执行简单查询时返回一个QuerySet很简单。当我们想实现复杂一点的东西，我们需要执行相关操作（也包括一些助手函数）。下面是些小窍门（作为练习，试着理解我get_larger_ancestors的实现）。
- 联合 - QuerySet的联合运算符是|，处理复制时管道“symbol.qs1 | qs2”返回所有来自qs1和qs2项目的QuerySet（都在QuerySet的项目将只在结果中出现一次）。
- 交集 - 交集没有特殊的操作，因为你已经知道怎么去做。 像filter等链接函数在原始的QuerySet和新过滤器之前起了交集的作用。
- 差分 - 差分(数学上写为qs1 \ qs2)代表所有在qs1而不在qs2中的项目。请注意，此操作是不对称的（相对于以前的操作）。Python中恐怕没有内置的方式，但你可以这样做：qs1.exclude(pk__in=qs2)
- 从空开始 - 开起来没有用处但实际并非如此，正如上面例子所展示的。很多时候，当我们动态建立一个QuerySet联合时，我们需要从一个空列表开始，这是获取它的方法:MyModel.objects.none().
热AI工具
Undresser.AI Undress
人工智能驱动的应用程序，用于创建逼真的裸体照片
AI Clothes Remover
用于从照片中去除衣服的在线人工智能工具。
Undress AI Tool
免费脱衣服图片
Clothoff.io
AI脱衣机
AI Hentai Generator
免费生成ai无尽的。
热门文章
热工具
记事本++7.3.1
好用且免费的代码编辑器
SublimeText3汉化版
中文版，非常好用
禅工作室 13.0.1
功能强大的PHP集成开发环境
Dreamweaver CS6
视觉化网页开发工具
SublimeText3 Mac版
神级代码编辑软件(SublimeText3)
热门话题
PHP和Python：代码示例和比较
Apr 15, 2025 am 12:07 AM
PHP和Python各有优劣，选择取决于项目需求和个人偏好。1.PHP适合快速开发和维护大型Web应用。2.Python在数据科学和机器学习领域占据主导地位。
CentOS上PyTorch的GPU支持情况如何
Apr 14, 2025 pm 06:48 PM
在CentOS系统上启用PyTorchGPU加速，需要安装CUDA、cuDNN以及PyTorch的GPU版本。以下步骤将引导您完成这一过程：CUDA和cuDNN安装确定CUDA版本兼容性:使用nvidia-smi命令查看您的NVIDIA显卡支持的CUDA版本。例如，您的MX450显卡可能支持CUDA11.1或更高版本。下载并安装CUDAToolkit:访问NVIDIACUDAToolkit官网，根据您显卡支持的最高CUDA版本下载并安装相应的版本。安装cuDNN库:前
Python vs. JavaScript：社区，图书馆和资源
Apr 15, 2025 am 12:16 AM
Python和JavaScript在社区、库和资源方面的对比各有优劣。1)Python社区友好，适合初学者，但前端开发资源不如JavaScript丰富。2)Python在数据科学和机器学习库方面强大，JavaScript则在前端开发库和框架上更胜一筹。3)两者的学习资源都丰富，但Python适合从官方文档开始，JavaScript则以MDNWebDocs为佳。选择应基于项目需求和个人兴趣。
docker原理详解
Apr 14, 2025 pm 11:57 PM
Docker利用Linux内核特性，提供高效、隔离的应用运行环境。其工作原理如下：1. 镜像作为只读模板，包含运行应用所需的一切；2. 联合文件系统（UnionFS）层叠多个文件系统，只存储差异部分，节省空间并加快速度；3. 守护进程管理镜像和容器，客户端用于交互；4. Namespaces和cgroups实现容器隔离和资源限制；5. 多种网络模式支持容器互联。理解这些核心概念，才能更好地利用Docker。
minio安装centos兼容性
Apr 14, 2025 pm 05:45 PM
MinIO对象存储：CentOS系统下的高性能部署MinIO是一款基于Go语言开发的高性能、分布式对象存储系统，与AmazonS3兼容。它支持多种客户端语言，包括Java、Python、JavaScript和Go。本文将简要介绍MinIO在CentOS系统上的安装和兼容性。CentOS版本兼容性MinIO已在多个CentOS版本上得到验证，包括但不限于：CentOS7.9:提供完整的安装指南，涵盖集群配置、环境准备、配置文件设置、磁盘分区以及MinI
CentOS上PyTorch的分布式训练如何操作
Apr 14, 2025 pm 06:36 PM
在CentOS系统上进行PyTorch分布式训练，需要按照以下步骤操作：PyTorch安装:前提是CentOS系统已安装Python和pip。根据您的CUDA版本，从PyTorch官网获取合适的安装命令。对于仅需CPU的训练，可以使用以下命令：pipinstalltorchtorchvisiontorchaudio如需GPU支持，请确保已安装对应版本的CUDA和cuDNN，并使用相应的PyTorch版本进行安装。分布式环境配置:分布式训练通常需要多台机器或单机多GPU。所
CentOS上PyTorch版本怎么选
Apr 14, 2025 pm 06:51 PM
在CentOS系统上安装PyTorch，需要仔细选择合适的版本，并考虑以下几个关键因素：一、系统环境兼容性:操作系统:建议使用CentOS7或更高版本。CUDA与cuDNN:PyTorch版本与CUDA版本密切相关。例如，PyTorch1.9.0需要CUDA11.1，而PyTorch2.0.1则需要CUDA11.3。cuDNN版本也必须与CUDA版本匹配。选择PyTorch版本前，务必确认已安装兼容的CUDA和cuDNN版本。Python版本:PyTorch官方支
centos如何安装nginx
Apr 14, 2025 pm 08:06 PM
CentOS 安装 Nginx 需要遵循以下步骤：安装依赖包，如开发工具、pcre-devel 和 openssl-devel。下载 Nginx 源码包，解压后编译安装，并指定安装路径为 /usr/local/nginx。创建 Nginx 用户和用户组，并设置权限。修改配置文件 nginx.conf，配置监听端口和域名/IP 地址。启动 Nginx 服务。需要注意常见的错误，如依赖问题、端口冲突和配置文件错误。性能优化需要根据具体情况调整，如开启缓存和调整 worker 进程数量。
