Django笔记(十二)连表查询之性能提升

Django认证选型:为什么Knox成为生产环境首选Token方案 Token认证是现代Web与移动应用的核心安全机制,其本质是通过有状态凭证实现用户身份的可信传递与生命周期管控。原理上需兼顾安全性(防拖库、防重放)、可用性(多设备支持、自动续期)和可运维性(主动失效、密钥轮换)。技术价值在于规避Session跨域限制、弥补DRF原生Token单设备/明文/永不过期缺陷,并比JWT更易实现主动吊销与权限收敛。典型应用场景包括前后端分离架构、多端登录SaaS系统及高并发IoT平台。本文聚焦Django生态下Knox这一成熟Token认证方案,深入解析其加密存储、TTL管理、多 阅读详情

回顾之前的外键查询

之前有两个表,利用外键关联

在这里插入图片描述

就是通过一个字段点出来的。循环获取数据,再获取外键里面的数据的时候,会再次的执行sql语句进行数据库的查询。

所以,性能不好,能不能在查询数据的时候,就把外键关联的另一个表里面的数据也查询出来呢?就不需要在要拿外键数据的时候再次的查询。

第一个方法

在这里插入图片描述
用value(),将要拿的外键字段放到里面。

但是这个查询出来的值的类型是字典类型

在这里插入图片描述
如果不想要查询出来的是字典类型,还想提高性能,如何做?

第二个方法(select_related()连表查,性能差)

数据多,用这个

在这里插入图片描述
那么这样写查询的sql语句是什么

SELECT 

`myfirst_article`.`id`, 
`myfirst_article`.`title`, 
`myfirst_article`.`content`,
 `myfirst_article`.`category_id`, 
 `myfirst_article`.`createtime`, 
 `myfirst_article`.`updatetime`, 

`myfirst_category`.`id`,
 `myfirst_category`.`name` 

FROM

 `myfirst_article` INNER JOIN `myfirst_category` 

ON (`myfirst_article`.`category_id` = `myfirst_category`.`id`)

也就是用INNER JOIN 进行关联查询
也就是在第一次查询的时候主动做连表

连表会慢,效率低

第三个方法(prefetch_related()多次单表查,性能高)

数据多用这个
在这里插入图片描述
在这里插入图片描述

SELECT 

`myfirst_article`.`id`,
 `myfirst_article`.`title`,
  `myfirst_article`.`content`, 
  `myfirst_article`.`category_id`, `myfirst_article`.`createtime`, 
  `myfirst_article`.`updatetime` 


FROM `myfirst_article`

看到是只是查询了一个表,但是我们可以用外键点出来外键里面的东西,

【DataBase】使用联表查询比较慢如何进行优化? 如果查询的字段比较多,就需要对sql语句进行优化了,通过explain关键字加在慢sql前执行看是否走的索引,如果没有走索引就创建索引。 阅读详情

相关推荐

第六十二篇:Django REST framework:构建RESTful API最佳实践

本文探讨了API设计能力作为高级Python工程师核心竞争力的重要性,重点分析了Django REST Framework(DRF)在构建RESTful API中的应用。文章首先强调了RESTful架构的约束性原则及其优势,包括资源导向、统一接口、无状态等核心理念。随后深入解析了DRF的设计精髓,如序列化器核心、模块化认证机制和视图层次化抽象。在实践层面,详细介绍了项目初始化配置、序列化器设计等关键环节,展示了如何通过DRF构建健壮、安全、可扩展的API系统。

厚积薄发的博客 1097

记一次mysql联表查询性能优化案例

问题描述 今天项目中遇到一个问题,就是后端同事发现一个联表查询并更新的语句执行起来,总是锁表,导致程序完全无法正常执行。由于真是sql语句比较复杂,有很多层的嵌套。我将问题sql简化为下面的形式: SELECT * FROM A t1 LEFT JOIN B t2 ON t1.c_id = t2.c_id 其中A和B可以代表一张表,或者一个查询结果,经过我调试,发现这部分sql会耗费24秒的时间。 问题原因 联表的两张表没有加索引,导致联表查询效率很低,再加上外层的嵌套,导致sql执行时间过长,

得塔云的博客 1750

Django旅游网站实战:从Python工程化到高可用部署

Django作为成熟Web框架,其ORM、Admin后台与中间件机制构成了高可维护的Python工程化底盘,特别适合需强数据一致性、多角色协作与快速业务迭代的行业应用。在旅游类系统中,PostgreSQL的JSONB字段与事务可靠性支撑复杂线路模型与订单状态机,Django模板直出HTML保障SEO与首屏性能,而Poetry+Docker的标准化开发流则显著降低团队协作成本。本文围绕旅游自主网站这一典型场景,深入解析Model设计、状态驱动订单、UGC安全治理及生产级部署等核心实践,为中阶开发者提供可复用的

weixin_34080571的博客 321

优化数据量较大下的连表查询性能

然而,随着业务的不断扩展和数据量的持续增长,我们仍需不断探索新的优化策略,如数据分区、查询缓存等前沿技术。在进行表a与表b的大规模连表查询时,由于表a数据量高达300万条,表b数据量更是达到了500万条,加之查询条件中表b的orgid范围广泛(2k至6k+),导致查询性能显著下降,初始查询时间竟长达20秒,无法满足业务需求。进一步将表b与表c进行深度内关联(表c作为orgid的数据源),同时表a与关联结果进行精准查询,查询时间再次缩短至5秒,性能持续优化。4.第四版优化:分页革新,挑战并存。

weixin_48351502的博客 523

[渗透测试实战篇-4] RCE漏洞组合拳突破Getshell全解析

本文深入解析RCE漏洞组合拳在渗透测试中的实战应用,通过SSRF、XXE等漏洞串联技术突破Getshell的全过程。文章详细介绍了Java和PHP环境下的漏洞利用差异,以及防御绕过与权限维持的实用技巧,为安全研究人员提供全面的实战指导。

weixin_29211309的博客 355

SecureCRT多种配色方案配置文件

位置 C:\Users%USERNAME%\AppData\Roaming\VanDyke\Config\Global.ini S:"SecureCRT Tab State"=1,1,1,0,0 S:"SecureFX Local Tab State"=1,-1,200 D:"Max Chat Window History"=000000c8 D:"Active Window Alpha Transparency"=000000f0 D:"Save Keymaps As Unicode"=00000000

神棍之路 3713

【数据库知识】Mysql多表关联查询实现方式以及性能相关问题

在 MySQL 中,多表关联查询主要通过 操作实现。以下是常见的多表联查方式: 特点: 只返回联接条件匹配的记录。 如果没有匹配的记录,则不会出现在结果集中。 2. LEFT JOIN(左连接) 定义:返回左表的所有记录,以及右表中与左表匹配的记录;若右表中无匹配记录,则用 NULL 填充。 语法: 特点: 左表的数据总是完整保留。 右表中的数据可能部分为 NULL。 3. RIGHT JOIN(右连接) 定义:返回右表的所有记录,以及左表中与右表匹配的记录;若左表中无匹配记录,则

wendao76的专栏 1779

Calibre电子书阅读器个性化样式定制指南

本文详细介绍了如何通过Calibre电子书阅读器的用户样式表功能进行深度个性化样式定制。从修改全局字体、行距、背景配色(包括深色/浅色模式)到美化代码块、引用等特殊元素,本指南提供了完整的CSS代码示例与实战技巧,帮助用户打造专属的舒适阅读环境,显著提升电子书阅读体验。

vv45678的博客 922

性能优化篇:SQL数据库查表速度优化

SQL数据库查询的性能优化是确保数据库能够快速响应和高效处理请求的关键。以下是一些常见的SQL数据库查询性能优化方法:索引优化:创建适当的索引:为经常在WHERE子句中使用的列、JOIN操作涉及的列以及排序操作涉及的列创建索引。避免过多的索引:虽然索引可以提高查询速度,但过多的索引会导致写操作变慢,因此需要平衡读取和写入性能。覆盖索引:如果一个索引包含了查询所需的所有列,数据库可以直接从索引中获取数据,而不需要访问表数据,从而加快查询速度。

qq_22201881的博客 1060

【博客汇总】UV打印机博客汇总

UV平板机博客汇总

Print World的专栏 1753

SAP-ABAP:SAP IDOC 全面学习指南

SAP-ABAP:SAP IDOC 全面学习指南

baidu_35680696的博客 1617

Django笔记十二之defer和only

本篇笔记将介绍查询中的 defer 和 only 两个函数的用法,笔记目录如下: defer only 1、defer defer 的英语单词的意思是 延迟、推迟,我们可以通过将字段作为参数传入,可以达到在获取数据的时候指定不获取该字段数据,常用于一些 textfield 字段上。 假设我们有一个 TestModel,有一个字段名为 text_field,字段类型为 textfield,里面存了大量字符串数据. 那么如果我们在获取这个 model 数据的时候,只想要这个 model 的其他字段信息, t

weixin_43354181的博客 1706

学Simulink——基于故障诊断与容错控制的场景实例:并网逆变器在短路故障下的动态响应及恢复策略

本文详细介绍了使用Simulink进行并网逆变器短路故障模拟与保护策略设计的方法。通过构建高精度逆变器模型,模拟IGBT击穿和桥臂直通故障,分析动态响应特性。重点设计了基于Stateflow的微秒级快速保护逻辑,包括过流检测、PWM闭锁和故障报警。同时提出完整的恢复策略流程,涵盖放电、去磁、自检和软启动等关键步骤。仿真结果表明,该方法能在200μs内有效限制短路电流,保护器件安全,并实现系统可靠恢复。文章还探讨了硬件保护协同、多级保护和预测保护等高级策略,为新能源系统的安全运行提供了重要参考。

amy_mhd的博客 144

django前端引用数据_Python Django+SQL+Pandas+Pyecharts自建在线数据分析平台(十二)...

(一)需求分析&技术实现(二)初步搭建Django环境(三)页面布局&Django模板(四)SQL+Pandas初步处理数据(五)前端表单交互(六)Ajax异步传参与加载(七)前端数据格式的处理(八)DataTables接管前端表格(九)Pyecharts实现交互图表(十)静态图表的展示(十一)“导出数据至Excel”功能(十二)添加和配置缓存(十三)用户登录系统(十四)部署Dja...

weixin_39967096的博客 172

JVM高频面试基本问题与知识点整理

JVM高频面试基本问题与知识点整理

曾经“等你生日那天”都遥远得像未来,如今却可欢愉的挥手说“下个十年见” 87万+

华为OD机试真题 新系统 - 勇攀数字高峰 (Java/Py/C/C++/Js/Go)

本文整理华为 OD 机试新系统机考真题库,涵盖高频考点精析与完整题目内容,提供 C 语言、Java、C++、Python、Go、JavaScript 多语言源码实现,搭配详细解题思路讲解,并支持在线 OJ 刷题练习,助力高效备考华为 OD 机试新系统。

算法大师! 2102

Django框架整理

Django是一个功能强大的web框架。 前言:框架模式简介 1、MVC和MTV框架模式:分层级进行管理 说到框架模式我们有必要简单的说下设计模式,了解下设计模式这个概念,因为有人对设计模式和框架模式的概念经常混淆 设计模式: 是一套被反复使用,多数人知道并经过分类的代码设计经验总结,是为了解决一些通用性问题的 目的:重用代码并保证代码的可靠性 设计模式分类:单例,抽象工厂 等等 23种模式 一句话总结:解

有用的话关个注,点个赞,收个藏🫶。 1714

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

Django框架(十二)—— 补充:inclusion_tag、defer、only、choice、事务、创建多对多的第三张表...

补充:inclusion_tag、defer、only、choice、事务、创建多对多的第三张表 一、inclusion_tag 1、作用 用于生成HTML片段,是数据由参数传入而变成动态 2、使用 # 1.app下新建一个模块,templatetags # 2.创建一个py文件(mytag.py) # 3.导入Library模块,实例化 from django.te...

weixin_30487201的博客 143

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")

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

Django2实战示例 第六章 追踪用户行为

ddd

临渊-测试开发 1077

Remotion 视频标注:3 个组件搭出框选、箭头与脉冲高亮场景的完整指南

用截图工具给录屏手画箭头、再逐帧对位,费时且粗糙。用 Remotion 做视频标注的思路是把标注写成 React 组件:框选、箭头、高亮都是 `@remotion/shapes` 里的现成组件,直接排进时间轴,位置精确到像素、出现精确到帧。按这篇教程做完,你能独立产出一段"框选区域 + 箭头指引 + 脉冲高亮"的标注场景,并通过渲染前验收。 ## 🎯 拿什么画:三类标注需求对应的 Remoti

gitblog_00609的博客 220

bootstrap sql 城市选择_Python Django+SQL+Pandas+Pyecharts自建在线数据分析平台(一)

今天下定决心给自己挖一个超级大坑,因为这个主题涉及面太广了,篇幅也会很长。但不知道怎么了还是有了挖坑的冲动。可能随着工作经验的累积想法也出现了变化,冠冕堂皇的说法就是内心其实经历了一个从使命必达到开拓创新再到传道授业的过程。笔者供职于一家上市药企做市场研究工作,没有计算机背景,编程纯属自学。平日的工作内容也很繁杂,程序化分析大约只占日常工作的20%。我把它看成自动化办公,提升分析效率与质量的手段,...

weixin_36434922的博客 255

Python学习(四十二)—— Djago-model进阶

一、QuerySet 可切片 使用Python 的切片语法来限制查询集记录的数目。它等同于SQL 的LIMIT和OFFSET子句。 Entry.objects.all()[:5] # (LIMIT 5) 不支持负的索引(例如Entry.objects.all()[-1])。通常,查询集的切片返回一个新的查询集—— 它不会执行查询。 可迭代 ar...

dingjianleng3000的博客 198

python湖南长沙招聘数据可视化大屏全屏系统设计与实现(django框架)

python湖南长沙招聘数据可视化大屏全屏系统设计与实现(django框架),并使用Python的数据可视化库实现数据的可视化展示。三、研究思路与方法 本研究的核心思路是通过Django框架搭建一个Web应用程序,并使用Python的数据可视化库,将招聘市场的相关数据以可视化的形式展示在大屏幕上。以上是本次开题报告的完整内容,旨在以Python语言为基础,利用Django框架实现Python湖南长沙招聘数据可视化大屏全屏系统的设计与实现,提供直观、友好的数据展示平台。

杭州.黄老师 3523

Jasminum 茉莉花:中文元数据抓取、附件匹配与 PDF 大纲一次配齐

从知网拖下来的 PDF 常常只剩一个文件名,标题、作者、期刊一片空白;手动补下的 PDF 又散落在下载文件夹里。Jasminum 茉莉花把这些补全工作收进同一个 Zotero 插件:抓中文元数据、把本地附件匹配回条目、给长文 PDF 建可跳转大纲。 如果你的文献库以中文期刊、学位论文为主,这篇值得花上半小时;库里全是外文、或只用 Zotero 存题录不存 PDF 的,可以直接跳过。下面这张表先帮

gitblog_00312的博客 894

python湖南长沙酒店数据可视化大屏全屏系统设计与实现(django框架)

python湖南长沙酒店数据可视化大屏全屏系统设计与实现(django框架),帮助酒店管理者快速了解酒店经营情况,提高决策效率。Django框架是一个成熟的Web开发框架,具有丰富的功能和强大的性能,能够满足本研究的开发需求。因此,设计并实现一个基于Python和Django框架的湖南长沙酒店数据可视化大屏全屏系统,对于酒店行业的发展具有重要的意义。然而,在酒店业中,数据可视化的应用相对较少,且多集中在单一的数据展示和分析上,缺乏全面、实时的数据可视化系统。

杭州.黄老师 2762
上一篇: Django笔记(十一)实现对数据库的各种操作,比如分组,排序等
下一篇: 电脑安装python环境
一写代码就开心
博客等级 码龄7年 2万+粉丝 1037原创
评论
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

一写代码就开心

你的打赏将是我最大的动力

¥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