Django -第二记-ORM概念+项目建立

Django:ORM概念优缺点理解 ORM : ORM概念,ORM特点,ORM 的优点,ORM 的缺点 orm : 对象关系映射 (Object Relational Mapping) ,用于实现面向对象编程语言里不同类型系统的数据之间的转换 [1] 。从效果上说,它其实是创建了一个可在编程语言里使用的–“虚拟对象数据库”。 ORM方法论基于三个核心原则: 简单:以最基本的形式建模数据。 传达性:数据库结构被任何人都能理解的语言文档... 阅读详情

ORM(对象,关系,映射)概念

ORM主要代表了Django服务器端到数据库的对应关系概念。
而主要的对应包含:建表,更改,转换。
在数据库中建表意味着对象到数据库中表的映射。
在数据库中进行更改意味着对对象的操作映射到对数据库中表的操作。
在数据库中进行转换操作意味着当python提取数据后将数据库数据转换为对象数据的过程。
具体如下图所示。
ORM关系

创建django项目对应ORM

创建项目

django-admin startproject helloworld 创建项目文件,构建项目树

项目目录层级说明

  1. manage.py 让我们可以使用多种方式与django项目进行交互
  2. init.py 仅仅是一个空文件,目的是告诉python把django项目处理与python包;如果需要添加mysql的支持,则需要在此文件下加入包依赖:import pymysql ; pymysql.install_as_MySQLdb();
  3. settings.py 配置文件,可以对数据库进行配置
  4. urls.py url 管理器,是项目url的声明和管理器
  5. wagi.py 与wagi兼容的web服务器入口

Django项目框架并不难,重要在于构建数据库以及数据的处理。以上内容均在下图所示的框图中。
在这里插入图片描述

创建应用以及项目的基本操作(CMD模式下)

首先,通过python manage.py startapp [项目名称] 来项目的初始配置并创建应用。其中目录中会生成三个目录文件:

  1. admin.py 站点配置
  2. models.py 模型配置
  3. Views.py 视图配置

其次,通过在settings.py文件中将 [项目名称]应用加入到INSTALLED_APPS选项中来激活该项目。

之后,定义模型,在model.py中定义所需要的数据库模型。引入models.Model类定义,在model.py中加入如下代码:from django.db import models 。

最后,生成迁移表,在cmd中使用下面代码,实现表的迁移,创建应用完毕。

  1. python manage.py makemigrations 生成迁移文件
  2. python manage.py migrate 执行迁移,并且表名以项目名开头

其中数据的基本操作如下图所示。
在这里插入图片描述

服务器与站点管理

服务器

只有启动服务器后才能正常在浏览器中接入网站,在开发时进行非常重要。
使用python manage.py runserver ip:port 来启动服务器,默认8000

admin站点管理

站点管理时django的优点之一。admin站点的主要工作就是将数据的增删查改工作转换为可视化界面,不再使用cmd这种码代码的方式进行。

首先,需要进行的是在settings.py中的installedapp中添加django.contri.admin来配置。
其次,在cmd中创建管理员用户,python manage.py createsuperuser。
然后,在admin.py文件中注册各个表对象。在admin.py中加入代码

from .models import Grades,Students
admin.site.register(Grades)
admin.site.register(Students)

最后,对数据库的内容进行站点配置和管理如下图所示。
在这里插入图片描述
之后对于站点管理还会进行一个更详细的分析和解释,因为这部分对于后台管理者来说十分重要。

视图

在django中,对web请求进行回应。视图就是一个python函数,在view.py中定义。基本使用如下图所示。
在这里插入图片描述

模板

模板就是HTML界面,根据视图中传递过来的数据进行填充。基本使用如下图所示。
在这里插入图片描述

Django 版本 3.0.5

pyhton的orm项目开发实践 #!/usr/bin/env python """Django's command-line utility for administrative tasks.""" import os import sys def main(): os.environ.setdefault('DJANGO_SETTINGS_MODULE', 'myorm.settings') try: from django.core.management import execute_from_command_line except ImportError as exc: raise ImportError( "Couldn't import Django. Are you sure it's installed and " "available on your PYTHONPATH environment variable? Did you " "forget to activate a virtual environment?" ) from exc execute_from_command_line(sys.argv) if __name__ == '__main__': main() 立即下载

相关推荐

自己开发了一个小型ORM项目

自己开发了一个小型ORM项目 包含了一个代码生成工具

Spring之ORM(spring 与mybatis的4种整合实例)

我们知道spring没有提供orm框架但是,提供了很好的和orm框架这个的代沟,我们可以和流行的orm框架进行整合,本文主要介绍Spring与Mybatis三种常用整合方法,需要的整合架包是mybatis-spring.jar,可以通过连接下载http://download.youkuaiyun.com/detail/qh_java/8431455 ;  1、采用数据映射器(MapperFact

bit-cafe 2万+

AMEsim不连续处理机制:仿真精度与效率的平衡艺术

本文深入解析AMEsim不连续处理机制在系统仿真中的应用,探讨如何平衡仿真精度与效率。通过液压系统仿真案例,详细介绍了事件检测算法、变步长求解器自适应策略及典型场景优化方法,帮助工程师有效应对仿真中的不连续性问题,提升仿真效率和准确性。

v4w5x6的博客 442

ORM进阶之 ORM简介

1.什么是ORM     ORM,即Object-Relational Mapping(对象关系映射),它的作用是在关系型数据库和业务实体对象之间作一个映射,这样,我们在具体的操作业务对象的时候,就不需要再去和复杂的SQL语句打交道,只需简单的操作对象的属性和方法。 2.为什么会出现ORM思想     先从项目中数据流存储形式这个角度说起. 简单拿MVC这种分层模式.来说. Mod

2万+

SAP-PP 返工订单成本归集优化:从物料结算到成本中心的配置与增强实践

本文深入探讨SAP-PP模块中返工订单成本归集的优化方案,重点解析从物料结算到成本中心的配置与增强实践。通过结算参数文件配置、分配结构调整及增强开发实战,解决返工费用误计入物料成本的问题,确保财务核算精准性。文章还提供测试验证方案与常见报错处理技巧,助力企业实现成本数据清晰流向分析。

weixin_29260291的博客 366

SAP采购订单行项目增强实战:用BADI ME_GUI_PO_CUST添加自定义字段(避坑指南)

本文详细解析了如何通过BADI ME_GUI_PO_CUST在SAP采购订单行项目中添加自定义字段,包括技术架构理解、字段扩展步骤、自定义函数组创建及BADI实现。文章特别强调了避开官方文档未提及的陷阱,如字段映射限制和屏幕显示问题,并提供了高级优化技巧和性能建议。

weixin_30402343的博客 596

【django学习笔记】02 第一个Django项目与ORM简单操作梳理

Django项目的创建 setting.py文件 配置html文件存放的位置 配置静态文件存放的位置 Templates 存放HTML文件的配置 Base_DIR是你的项目的根目录路径 static静态文件 存放css/js/图片 出现403报错 注释掉setting.py带有csrf的那一行,大概46 登录的完整示例 form表单往后端提交数据需要注意哪三点: form不是from,所有获...

ccszbd的博客 181

Dataworks实现接口调用

在本地linux虚拟机(不用在意linux版本),安装Anaconda后配置对应的虚拟环境,将虚拟环境的python包整体打包(路径一般为:~/anaconda/envs/env_name/lib/pyyhon3.7/site-packages):上传资源,将第三方包上传至dataworks(注意:所有上传文件均要打包上传,直接上传文件会乱码导致无法使用):PyODPS,其中PyODSP2的python版本为2.7,PyODSP3的python版本为3.7。:在PyODPS中引用资源,然后开发接口。

hutc_Alan的博客 1682

Android TextView总结

本文总结了Android TextView的常用属性和功能,包括基础样式控制(字体颜色、大小、样式、行间距等)、富文本处理(变色、加粗、点击事件、HTML格式化)以及其他样式设置(文字阴影、跑马灯效果、自动调整大小和空格处理)。通过XML布局和Kotlin代码两种方式演示了各项功能的实现方法,为开发者提供了全面的TextView使用参考。

xiangxiongfly 3064

从零开始:PLUMED与GROMACS整合安装全攻略

本文详细介绍了如何从零开始整合安装PLUMED与GROMACS,包括系统环境检查、MPI配置、PLUMED编译安装、GROMACS补丁应用及常见问题解决方案。通过本教程,研究人员可以快速完成分子动力学模拟工具的整合安装,实现增强采样和自由能计算功能。

weixin_42520796的博客 293

ZYNQ实战:如何用AXI-stream FIFO解决跨时钟域数据同步难题(附完整代码)

本文深入探讨了在ZYNQ项目中,如何利用AXI-Stream FIFO有效解决PS与PL之间的跨时钟域数据同步难题。文章详细分析了异步FIFO的架构设计、关键配置参数,并提供了PS端软件策略与PL端逻辑设计的完整代码示例,旨在帮助开发者构建稳定可靠的数据流通道,优化系统性能。

nginx7reverse的博客 756

django-orm专项练习

准备表 普通查询练习 简单示例 单表查询 一对多查询 一对一查询 多对多查询 双下划线 准备表 from django.db import models # Create your models here. class Publisher(models.Model): id = models.AutoField(primary_key=True)

全干工程师 1039

lammps案例:热导率模拟案例讲解(NEMD方法)

lammps计算热导率大体可以分为三种方法:EMD、NEMD、rNEMD。 本文介绍非平衡模拟(NEMD)热导率的计算方法。 NEMD下热导率计算公式为: k=dQ*dZ/dt k:热导率 dQ:能量通量。 dT/dZ:温度梯度。 非平衡态下计算热导率的原理是在材料的两端或者中间设置热源和冷源。 在热源输入热量,在冷源抽取等量的热量,在这个过程中计算材料内部会有热量的传递,产生温度梯度。 在lammps模拟中得到能量通量和温度梯度,代入公式即可求得热导率。 热量的输入方式有多种,如fix langevin

lammps_jiayou的博客 1万+

Django的ORM详解

1 ORM介绍 1.1 ORM概念 对象关系映射(Object Relational Mapping,简称ORM)模式是一种为了解决面向对象与关系数据库存在的互不匹配的现象的技术。 简单的说,ORM是通过使用描述对象和数据库之间映射的元数据,将程序中的对象自动持久化到关系数据库中。 ORM在业务逻辑层和数据库层之间充当了桥梁的作用。 1.2 ORM由来 让我们从O/R开始。字母O起源于"对象"(Object),而R则来自于"关系"(Relational)。 几乎所有的软件开发过程中都会涉及到对象和关系数据库

燃灯工作室 8172

【单智能体】AI 数据分析智能体案例讲解(附完整源码)

本案例将引导您构建一个基于 AI 的数据分析智能体,让用户能够通过自然语言查询来分析 CSV 和 Excel 文件中的数据,无需掌握 SQL 知识。该智能体使用 Agno Agent 框架集成 OpenAI GPT-4o 模型,并利用 DuckDB 提供高效的数据处理能力。

rengang66的博客 241

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

Django ORM 模型

Django ORM (Object-Relational Mapping)是Django框架中用于与数据库进行交互的工具。它提供了一种方便的方式来执行数据库操作,而无需直接编写SQL语句。Django ORM的核心理念是将数据库中的表映射为Python类,将表中的行映射为类的实例。开发者可以通过操作这些类和实例来执行数据库的增删改查操作。ORM在业务逻辑层和数据库层之间充当了桥梁的作用。目录ORM介绍ORM的优势ORM的劣势Django项目使用MySQL数据库Model字段字段类型字段参数ORM操作。

Kongqingpeng11的博客 2324

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

Django之ORM

ORM概念对象关系映射(Object Relational Mapping,简称ORM)模式是一种为了解决面向对象与关系数据库存在的互不匹配的现象的技术。简单的说,ORM是通过使用描述对象和数据库之间映射的元数据,将程序中的对象自动持久化到关系数据库中。ORM在业务逻辑层和数据库层之间充当了桥梁的作用。ORM由来让我们从O/R开始。字母O起源于"对象"(Object),而R则来自于"关系"(Relational)。几乎所有的软件开发过程中都会涉及到对象和关系数据库。

Hacker_Fuchen的博客 2074

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

Django ORM - 如何单独使用 Django 数据库

最简单的方法是重启解释器,但是可能有一些数据已经在脚本里,所以无法重启解释器,那么可以使用下边的语句,强制 Django ORM 在下次数据处理的时候,强制重新连接。它使得开发者可以使用面向对象的方式与数据库进行交互,而无需编写复杂的SQL语句。通过ORM,开发者可以定义模型类来描述数据库表的结构和行为,然后通过操作这些模型类来执行数据库的增删改查等操作。在任何需要使用 Django 数据库的地方,需要设置相关项目文件的路径到环境变量中,确保正常使用。文件,完成 Django 项目或是 ORM 的初始化。

平头 1743

【Django ORM】三万字了解Django ORM的基本概念和基本使用

Django ORM(对象关系映射)是一种在Python和关系型数据库之间建立桥梁的技术,允许开发者通过面向对象的方式操作数据库,而无需直接编写SQL语句。Django ORM具有简洁易用、自动生成SQL、支持事务处理和模型迁移等特点,能够显著提高开发效率,减少代码量,并支持多种数据库,确保数据库无关性。此外,Django ORM还提供了安全性保障,如防止SQL注入和权限管理。在环境搭建方面,Django可以通过pip安装,并支持多种数据库类型,如SQLite、PostgreSQL、MySQL等。

qq_59344127的博客 1265

FastAPI with Django ORM 项目安装和配置指南

FastAPI with Django ORM 项目安装和配置指南 1. 项目基础介绍和主要的编程语言 项目基础介绍 FastAPI with Django ORM 是一个结合了 FastAPI 和 Django ORM 的项目,旨在利用 FastAPI 的高性能和 Django ORM 的强大功能来构建现代化的 Web 应用程序。该项目允许开发者在使用 FastAPI 构建 API 的同时,利用...

gitblog_01225的博客 1119

常见4种主流ORM介绍与基本使用(Peewee ORM、Django ORM、SQLAlchemy ORM、Tortoise ORM)

对象关系映射(Object Relational Mapping,简称ORM)是一种程序设计技术,用于在面向对象编程语言和关系数据库之间进行数据转换。ORM的核心思想是通过创建一个“虚拟对象数据库”,使开发者可以使用面向对象的方式操作数据库,而不需要直接编写复杂的SQL语句。

qq_63926557的博客 1996

django ORM 简介

一.django ORM 简介 1.什么是ORM ORM : 全称 object relational mapping, 对象关系映射 功能 : 通过orm实现使用操作对象的方式来操作数据库中的数据 目的 : 就是为了能够让不懂SQL语句的人通过python面向对象的知识点也能够轻松自如的操作数据库 缺陷 : sql 封装死了, 有时候查询速度很慢 2.ORM与数据库的映射关系 ORM DB 类 --------------------> 表 对象

Shawn派大星 7566

Django ORM入门指南:从概念到实践,掌握模型创建、迁移与视图操作

Django的ORM是Python开发者的利器,它简化了数据库操作,让编码更加高效和直观。本文将带你快速了解ORM的基本概念,指导你创建模型类、执行迁移、利用admin控制台,并探索ORM的视图操作。

啊猪是的读来过倒的博客 1487

FastAPI与Django ORM集成项目技术文档

FastAPI与Django ORM集成项目技术文档 安装指南 环境准备 确保已安装Python 3.7+。 安装Poetry包管理工具: curl -sSL https://install.python-poetry.org | python3 - 项目安装 克隆项目到本地: git clone https://github.com/yourusername/fastapi-djang...

gitblog_01233的博客 1066

Django中ORM介绍和字段及字段参数_django orm index

表myapp_person的名称是自动生成的,如果你要自定义表名,需要在model的Meta类中指定 db_table 参数,强烈建议使用小写表名,特别是使用MySQL作为后端数据库时。当对象的信息发生变化的时候,我们就需要把对象的信息保存在关系数据库中。一对一的关联关系多用在当一张表的不同字段查询频次差距过大的情况下,将本可以存储在一张表的字段拆开放置在两张表中,然后将两张表建立一对一的关联关系。它通常把一个类和一个表一一对应,类的每个实例对应表中的一条记录,类的每个属性对应表中的每个字段。

2401_87368811的博客 983
上一篇: static/tinymce/themes/advanced/theme.min.js net::ERR_ABORTED 404 (Not Found) 问题处理办法
下一篇: Django 静态资源管理问题解决 持续更新中
Volavion
博客等级 码龄9年 3788粉丝 36原创
评论 5
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Volavion

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值