Python ORM 最佳实践：Django ORM vs. SQLAlchemy

2024-08-24 20:36
文章标签 python 最佳 实践 django vs sqlalchemy orm

本文主要是介绍Python ORM 最佳实践：Django ORM vs. SQLAlchemy，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

文章目录

    • Django ORM vs. SQLAlchemy
      • Django ORM
      • SQLAlchemy
      • 技术选型
    • 性能分析
      • 懒加载和急加载
      • 查询优化
      • 示例：产品关联订单查询
      • 示例：产品销量分析
    • 迁移与版本控制
      • 关键点
      • 迁移流程
      • 示例：新增产品描述字段
      • 示例：用户表新增 email 字段
    • 事务管理与并发控制
      • 关键点
      • 示例：电商下单
    • 数据验证与清洗
      • 关键点
      • 示例：用户注册数据验证
    • 缓存机制
      • 关键点
      • 示例：产品列表缓存
    • 结语

在 Python 开发中，Django ORM 和 SQLAlchemy 是两种流行的数据库交互工具。二者各有千秋，适用于不同场景，使得开发团队在选择时需根据项目需求、团队技能和整体架构权衡各自的优劣。究竟在什么条件下选择 Django ORM 或 SQLAlchemy？它们在基本特点、核心技术原理、基本使用等方面又有何不同？接下来我们将深入探讨这两大 ORM 框架的最佳实践，以及如何选择适合的解决方案。

在这里插入图片描述

Django ORM vs. SQLAlchemy

Django ORM

Django ORM 基于 Django 框架构建，专为快速开发而设计。其核心特点包括：

  • 高度集成：Django ORM 与 Django 框架无缝集成，开发者能迅速搭建全栈应用。
  • 自动化迁移：通过模型更改自动生成迁移文件，简化了数据库更改。
  • 强大的查询 API：提供了丰富的查询方法，便于构建复杂的查询。

示例：快速原型开发

假设我们正在开发一个简单的博客应用，首先定义模型如下：

# models.py
from django.db import modelsclass Post(models.Model):title = models.CharField(max_length=100)content = models.TextField()created_at = models.DateTimeField(auto_now_add=True)def __str__(self):return self.title

使用 Django ORM，我们可以快速创建和迁移数据库：

python manage.py makemigrations
python manage.py migrate

在获取数据时，可以用 QuerySet API：

# 获取所有博客文章
posts = Post.objects.all()# 根据标题过滤
filtered_posts = Post.objects.filter(title__icontains='Django')

这种设计使得在快速迭代时，可以直接在模型中进行更改，然后使用命令行工具快速更新数据库。

Django ORM 的最大优势在于其简洁性和速度。对于小型应用或 MVP 项目，开发团队能够在较短的时间内实现完整的功能，从而迅速验证商业假设。

SQLAlchemy

SQLAlchemy 是一个独立于框架的 ORM 解决方案，提供了更高的灵活性和丰富的功能。其核心特点包括：

  • 灵活的架构：可选择只使用核心 SQL 功能或完整的 ORM。
  • 复杂查询构建：支持使用 SQLAlchemy 的表达式语言构建复杂 SQL 查询。
  • 多种数据库支持：轻松应对不同数据库管理系统。

示例：电商系统的数据管理

假设我们正在构建一个电商平台，需要处理产品和订单。我们首先定义模型：

# models.py
from sqlalchemy import create_engine, Column, Integer, String, ForeignKey
from sqlalchemy.ext.declarative import declarative_base
from sqlalchemy.orm import sessionmakerBase = declarative_base()class Product(Base):__tablename__ = 'products'id = Column(Integer, primary_key=True)name = Column(String)price = Column(Integer)class Order(Base):__tablename__ = 'orders'id = Column(Integer, primary_key=True)product_id = Column(Integer, ForeignKey('products.id'))product = relationship("Product")# 创建数据库引擎
engine = create_engine('sqlite:///ecommerce.db')
Base.metadata.create_all(engine)Session = sessionmaker(bind=engine)
session = Session()

我们可以灵活地进行复杂查询，比如获取所有价格大于 100 的产品：

expensive_products = session.query(Product).filter(Product.price > 100).all()

SQLAlchemy 的灵活性使其适合处理需要复杂 SQL 逻辑的应用。它允许开发者深入定制操作，处理复杂的关系映射，而不仅局限于简单的 CRUD 操作。

技术选型

选择合适的 ORM 框架时，开发团队需综合考虑项目的规模与复杂度。以下是一些关键评估点：

  • 项目规模：对于较小或中等规模的项目，Django ORM 可能更具优势；对于大型项目或复杂数据库操作，SQLAlchemy 更为合适。
  • 团队技术栈：团队的经验和熟悉度也很重要，如果团队熟悉 Django，Django ORM 是个自然的选择；如果团队善善于操作 SQL，并熟悉数据库设计，SQLAlchemy 将大大增强开发的灵活性。
  • 维护能力：考虑未来维护的便利性，Django ORM 提供的自动迁移和管理界面可以减少维护成本，而 SQLAlchemy 则要求开发者更多地参与底层实现。

假设一家初创公司正在开发一款新的社交媒体平台。初期需要快速推出一个 MVP，验证市场需求。此时，选择 Django ORM 将使得他们在时间上具有更大的优势。

随着用户量的增长和功能的扩展，复杂度逐渐提升。此时若遇到数据查询性能问题，SQLAlchemy 可能将成为更优的选择。此外，团队可以通过逐步替换或重构，逐步迁移到 SQLAlchemy，从而实现转型。

性能分析

在高流量和数据密集型应用中，性能是一个至关重要的考虑因素。Django ORM 和 SQLAlchemy 在性能上的表现如何？如何通过优化提高性能，以满足业务需求？

懒加载和急加载

  • Django ORM：使用 select_related() 和 prefetch_related() 实现急加载。
  • SQLAlchemy：支持 eager loading 和 lazy loading，可以使用 joinedload() 或 subqueryload()。

查询优化

  • 索引和数据库结构：创建索引可以有效提高查询性能，尤其是在条件查询时。两者均支持数据库层面的索引。
  • 使用原生 SQL 查询可以优化复杂查询：Django ORM 提供 raw() 方法，而 SQLAlchemy 允许直接创建自定义 SQL 查询。

示例：产品关联订单查询

假设我们在电商网站上，查询所有价格高于某一阈值的产品，并且也希望知道每个产品相关的订单信息。

  • Django ORM 示例：
# models.py
class Product(models.Model):name = models.CharField(max_length=100)price = models.DecimalField(max_digits=10, decimal_places=2)class Order(models.Model):product = models.ForeignKey(Product, on_delete=models.CASCADE)quantity = models.IntegerField()

# 查询所有价格高于100的产品，同时获取相关订单
expensive_products = Product.objects.filter(price__gt=100).prefetch_related('order_set')
  • SQLAlchemy 示例：
# 添加SQLAlchemy配置
from sqlalchemy.orm import aliasedProducts = aliased(Product)
Orders = aliased(Order)r = session.query(Products).filter(Products.price > 100).options(subqueryload(Orders)).all()

通过使用 prefetch_related() 和 subqueryload()，我们能有效减少数据库的查询次数，提高性能。

示例：产品销量分析

假设我们在一个大型电商平台上，已增加了大量产品，如何快速分析哪些产品销量好且价格合适？

  • Django ORM：

在 Django 中，我们可以创建一个视图，用于根据销量和价格统计产品：

# views.py
from django.shortcuts import renderdef product_analysis(request):products = Product.objects.filter(order__quantity__gte=1)\.annotate(total_sales=Sum('order__quantity'))\.order_by('-total_sales')return render(request, 'product_analysis.html', {'products': products})
  • SQLAlchemy：
# 创建分析视图
result = session.query(Product).outerjoin(Order)\.group_by(Product.id)\.having(func.sum(Order.quantity) >= 1)\.order_by(func.sum(Order.quantity).desc()).all()

这样的实现为决策提供了数据支持。

迁移与版本控制

在项目的生命周期中，数据库模式的更改是不可避免的。如何管理这些更改，并确保不同环境中数据库模式的一致性呢？

关键点

  • Django ORM：Django 提供了 makemigrations 和 migrate 命令，开发者只需定义模型，执行命令来保持数据库模式与模型的一致性。
  • SQLAlchemy：使用 Alembic 作为迁移工具，支持版本控制和多环境迁移。

迁移流程

创建一个产品类并进行迁移：

Django ORM：

# 制作迁移：
python manage.py makemigrations
# 执行迁移：
python manage.py migrate

SQLAlchemy + Alembic：

创建初始迁移文件：

alembic init alembic

生成迁移：

alembic revision --autogenerate -m "initial migration"

应用迁移：

alembic upgrade head

在这些过程中，Alembic 会记录所有迁移的版本信息。

示例：新增产品描述字段

假设我们的电商平台需要新增产品描述字段。在实施前，我们应确保所有环境中都恢复到一致的数据库状态。

  • Django ORM：
# models.py 更新后的字段
class Product(models.Model):name = models.CharField(max_length=100)price = models.DecimalField(max_digits=10, decimal_places=2)description = models.TextField(null=True)  # 新增字段

调用迁移：

python manage.py makemigrations
python manage.py migrate
  • SQLAlchemy + Alembic：
# 更新模型
class Product(Base):__tablename__ = 'products'# ... 现有字段 ...description = Column(Text, nullable=True)  # 新增字段

生成和应用迁移：

alembic revision --autogenerate -m "Add description field to Product"
alembic upgrade head

示例：用户表新增 email 字段

假设我们要在现有的用户表中新增一个字段。

  • Django ORM 示例：
# 添加新字段到 models.py
class User(models.Model):name = models.CharField(max_length=100)age = models.IntegerField(validators=[MinValueValidator(0), MaxValueValidator(120)])email = models.EmailField(null=True)  # 新增字段# 生成迁移
python manage.py makemigrations
python manage.py migrate
  • SQLAlchemy + Alembic 示例：
# 添加字段到模型
class User(Base):__tablename__ = 'users'id = Column(Integer, primary_key=True)name = Column(String)age = Column(Integer)email = Column(String)  # 新增字段# 生成迁移
alembic revision --autogenerate -m "Add email field to User"
alembic upgrade head

通过这些步骤，我们将新字段顺利添加到数据库中。

对于一个用户管理系统，当我们需要不断扩展用户的属性时，迁移系统可以帮助我们保持更新，以及在生产环境中实现平滑过渡。

  • Django ORM：
# 使用 Djnago 在用户管理视图中显示邮箱
def user_list(request):users = User.objects.all()return render(request, 'user_list.html', {'users': users})
  • SQLAlchemy：
@app.route('/users')
def user_list():users = session.query(User).all()return render_template('user_list.html', users=users)

事务管理与并发控制

在高并发的环境中，如何管理事务和保证数据的完整性？事务的管理机制是 ORM 设计的重要部分。

关键点

  • Django ORM：通过 atomic() 实现数据库事务，即使有异常，也能保证数据的一致性。
  • SQLAlchemy：通过 session.commit() 和 session.rollback() 管理事务，同时支持更细粒度的控制。

示例：电商下单

在电商中，当用户下单处理库存时，需保证数据库的操作完整性。利用事务管理：

Django ORM：

from django.db import transaction@transaction.atomic
def place_order(product_id, quantity):product = Product.objects.get(id=product_id)if product.stock >= quantity:product.stock -= quantityproduct.save()Order.objects.create(product=product, quantity=quantity)else:raise ValueError("Not enough stock")

SQLAlchemy：

from sqlalchemy.orm import sessionmakerSession = sessionmaker(bind=engine)
session = Session()try:with session.begin():product = session.query(Product).get(product_id)if product.stock >= quantity:product.stock -= quantityorder = Order(product_id=product_id, quantity=quantity)session.add(order)else:raise ValueError("Not enough stock")
except Exception as e:session.rollback()print("Error occurred:", e)

在电商环境中，使用上述事务管理确保顺利下单：

  • Django ORM：
# 视图函数处理
def buy_product(request, product_id):try:place_order(product_id, request.POST['quantity'])return HttpResponse("Order placed successfully!")except ValueError as e:return HttpResponse(str(e))
  • SQLAlchemy：
@app.route('/buy/<int:product_id>', methods=['POST'])
def buy_product(product_id):quantity = request.form['quantity']try:place_order(product_id, quantity)return "Order placed successfully!"except ValueError as e:return str(e)

数据验证与清洗

数据验证和清洗是确保数据质量的重要环节。两种 ORM 框架都提供了一些工具来帮助开发者验证数据的有效性。

关键点

  • Django ORM：Django 自带的模型定义可以直接使用字段选项来进行基本验证。例如，null, blank, choices, validators 等选项。
  • SQLAlchemy：通过使用 Python 的内置函数或第三方库（如 Marshmallow 或 Pydantic）来添加数据验证，SQLAlchemy 本身不提供内建验证功能。

示例：用户注册数据验证

假设我们需要保存用户数据，包括姓名和年龄，并确保这些数据满足一定条件。

  • Django ORM 示例：
# models.py
from django.core.validators import MaxValueValidator, MinValueValidator
from django.db import modelsclass User(models.Model):name = models.CharField(max_length=100)age = models.IntegerField(validators=[MinValueValidator(0), MaxValueValidator(120)])def __str__(self):return self.name

如果用户提交了无效的年龄，例如负数或超过 120，则 Django 会自动返回一个错误。

  • SQLAlchemy 示例：
from sqlalchemy import create_engine, Column, Integer, String
from sqlalchemy.ext.declarative import declarative_base
from sqlalchemy.orm import sessionmaker, validatesBase = declarative_base()class User(Base):__tablename__ = 'users'id = Column(Integer, primary_key=True)name = Column(String)age = Column(Integer)@validates('age')def validate_age(self, key, age):if age < 0 or age > 120:raise ValueError("Age must be between 0 and 120")return ageengine = create_engine('sqlite:///users.db')
Base.metadata.create_all(engine)
Session = sessionmaker(bind=engine)
session = Session()

在这里，我们使用 @validates 装饰器为 age 字段添加验证规则。

在用户注册的场景中，我们希望确保用户的年龄在合理范围内。无论使用哪种 ORM，都可以轻松实现。

  • Django ORM：
# views.py
from django.shortcuts import render
from django.http import HttpResponse
from .models import Userdef register(request):if request.method == "POST":name = request.POST["name"]age = request.POST["age"]try:user = User(name=name, age=age)user.save()return HttpResponse("User registered successfully!")except Exception as e:return HttpResponse("Registration failed: " + str(e))
  • SQLAlchemy：
@app.route('/register', methods=['POST'])
def register():name = request.form['name']age = int(request.form['age'])try:user = User(name=name, age=age)session.add(user)session.commit()return "User registered successfully!"except Exception as e:session.rollback()return f"Registration failed: {str(e)}"

缓存机制

在处理高频查询或大型结果集时，缓存机制可显著提高应用性能，减轻数据库负担。

关键点

  • Django ORM：Django 提供了多种缓存方案，可以通过 cache 模块一键实现，并与数据库查询集集成。
  • SQLAlchemy：可以使用外部缓存工具（如 Redis），并通过 SQLAlchemy 扩展实现缓存。

示例：产品列表缓存

假设我们有一个产品列表需要频繁展示。

  • Django ORM 示例：
from django.core.cache import cache
from .models import Productdef product_list_view(request):products = cache.get('product_list')if not products:products = list(Product.objects.all())cache.set('product_list', products, timeout=300)  # 缓存 5 分钟return render(request, 'product_list.html', {'products': products})
  • SQLAlchemy 示例：
import redis
from sqlalchemy.orm import sessionmaker# 初始化 Redis
cache = redis.StrictRedis(host='localhost', port=6379, db=0)def get_products():products = cache.get('product_list')if not products:products = session.query(Product).all()cache.set('product_list', products, ex=300)  # 缓存 5 分钟return products

在高流量的电商网站中，产品列表是一个高频访问的页面。使用缓存机制可以有效提升用户体验。

  • Django ORM：
# 更新产品列表视图
def product_list_view(request):products = cache.get('product_list')if not products:products = list(Product.objects.all())cache.set('product_list', products, timeout=300)return render(request, 'product_list.html', {'products': products})
  • SQLAlchemy：
@app.route('/products')
def products_view():products = get_products()return render_template('product_list.html', products=products)

结语

选择合适的 ORM 是提升开发效率、缩短项目周期的重要策略，开发团队应当对此进行充分的思考与评估。

Django ORM 与 SQLAlchemy 无论是在性能优化、版本控制、事务管理、数据验证与清洗、以及缓存机制，还是在复杂查询的处理上，都有各自的新颖解法和优势。Django ORM 提供高效、快速的开发体验，适合小型及快速迭代的项目；而 SQLAlchemy 则为开发者提供了强大的查询和操作能力，适合复杂的应用需求。

最终决策应基于实际项目需求、团队能力与业务目标，选择最合适的 ORM 方案，以确保高效、可维护的开发流程。

PS：感谢每一位志同道合者的阅读，欢迎关注、点赞、评论！

  • 上一篇：分布式任务队列：Celery 最佳实践
  • 专栏：「计算通践」

这篇关于Python ORM 最佳实践：Django ORM vs. SQLAlchemy的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/1103539。

相关文章

基于MySQL Binlog的Elasticsearch数据同步实践

基于MySQL Binlog的Elasticsearch数据同步实践

一、为什么要做 随着马蜂窝的逐渐发展，我们的业务数据越来越多，单纯使用 MySQL 已经不能满足我们的数据查询需求，例如对于商品、订单等数据的多维度检索。 使用 Elasticsearch 存储业务数据可以很好的解决我们业务中的搜索需求。而数据进行异构存储后，随之而来的就是数据同步的问题。 二、现有方法及问题 对于数据同步，我们目前的解决方案是建立数据中间表。把需要检索的业务数据，统一放到一张M
阅读更多...
python: 多模块(.py)中全局变量的导入

python: 多模块(.py)中全局变量的导入

文章目录 global关键字可变类型和不可变类型数据的内存地址单模块(单个py文件)的全局变量示例总结 多模块(多个py文件)的全局变量from x import x导入全局变量示例 import x导入全局变量示例 总结 global关键字 global 的作用范围是模块(.py)级别： 当你在一个模块（文件）中使用 global 声明变量时，这个变量只在该模块的全局命名空
阅读更多...
如何用Docker运行Django项目

如何用Docker运行Django项目

本章教程，介绍如何用Docker创建一个Django，并运行能够访问。 一、拉取镜像 这里我们使用python3.11版本的docker镜像 docker pull python:3.11 二、运行容器 这里我们将容器内部的8080端口，映射到宿主机的80端口上。 docker run -itd --name python311 -p
阅读更多...
【Python编程】Linux创建虚拟环境并配置与notebook相连接

【Python编程】Linux创建虚拟环境并配置与notebook相连接

1.创建 使用 venv 创建虚拟环境。例如，在当前目录下创建一个名为 myenv 的虚拟环境： python3 -m venv myenv 2.激活 激活虚拟环境使其成为当前终端会话的活动环境。运行： source myenv/bin/activate 3.与notebook连接 在虚拟环境中，使用 pip 安装 Jupyter 和 ipykernel： pip instal
阅读更多...
Android平台播放RTSP流的几种方案探究（VLC VS ExoPlayer VS SmartPlayer）

Android平台播放RTSP流的几种方案探究（VLC VS ExoPlayer VS SmartPlayer）

技术背景 好多开发者需要遴选Android平台RTSP直播播放器的时候，不知道如何选的好，本文针对常用的方案，做个大概的说明： 1. 使用VLC for Android VLC Media Player（VLC多媒体播放器），最初命名为VideoLAN客户端，是VideoLAN品牌产品，是VideoLAN计划的多媒体播放器。它支持众多音频与视频解码器及文件格式，并支持DVD影音光盘，VCD影
阅读更多...
【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程（Gaussian Process，简称GP）是一种概率模型，用于描述一组随机变量的联合概率分布，其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数（或核函数） 1.3 核函数1.4 高斯过程回归（Gauss
阅读更多...
【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络（1）sklearn

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络（1）sklearn

系列文章目录 监督学习：参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归（SAheart.csv） 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学
阅读更多...
系统架构师考试学习笔记第三篇——架构设计高级知识（20）通信系统架构设计理论与实践

系统架构师考试学习笔记第三篇——架构设计高级知识（20）通信系统架构设计理论与实践

本章知识考点：         第20课时主要学习通信系统架构设计的理论和工作中的实践。根据新版考试大纲,本课时知识点会涉及案例分析题(25分),而在历年考试中,案例题对该部分内容的考查并不多,虽在综合知识选择题目中经常考查,但分值也不高。本课时内容侧重于对知识点的记忆和理解,按照以往的出题规律,通信系统架构设计基础知识点多来源于教材内的基础网络设备、网络架构和教材外最新时事热点技术。本课时知识
阅读更多...
nudepy，一个有趣的 Python 库！

nudepy，一个有趣的 Python 库！

更多资料获取 📚 个人网站：ipengtao.com 大家好，今天为大家分享一个有趣的 Python 库 - nudepy。 Github地址：https://github.com/hhatto/nude.py 在图像处理和计算机视觉应用中，检测图像中的不适当内容（例如裸露图像）是一个重要的任务。nudepy 是一个基于 Python 的库，专门用于检测图像中的不适当内容。该
阅读更多...
pip-tools：打造可重复、可控的 Python 开发环境，解决依赖关系，让代码更稳定

pip-tools：打造可重复、可控的 Python 开发环境，解决依赖关系，让代码更稳定

在 Python 开发中，管理依赖关系是一项繁琐且容易出错的任务。手动更新依赖版本、处理冲突、确保一致性等等，都可能让开发者感到头疼。而 pip-tools 为开发者提供了一套稳定可靠的解决方案。 什么是 pip-tools？ pip-tools 是一组命令行工具，旨在简化 Python 依赖关系的管理，确保项目环境的稳定性和可重复性。它主要包含两个核心工具：pip-compile 和 pip
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2