Pagy:轻量级且高效的Ruby分页库
项目介绍
Pagy 是一个极其高效且功能全面的 Ruby 分页宝石,旨在解决大数据集的分页需求。与其他流行的分页工具如 WillPaginate 和 Kaminari 相比,它在性能上表现出色,消耗的资源远少。它支持 Rack 框架(包括 Rails、Sinatra 和 Padrino 等)以及纯 Ruby 环境,并能适应任何ORM、数据库或搜索库。Pagy 提供了对多种CSS框架的支持,如 Bootstrap,以及针对特殊场景的扩展,比如集成Elasticsearch。
项目快速启动
要开始使用 Pagy,首先确保你的环境中已经安装了 Ruby,并且通过以下命令添加 Pagy 到你的 Gemfile 中:
gem 'pagy'
之后,执行 bundle install 来安装。接下来,在你的应用程序中初始化 Pagy 并进行基本分页。以 Rails 应用为例,假设你想对产品列表进行分页:
# 在控制器中
def index
@pagy, @products = pagy(Product.all)
end
# 在视图中
<%== pagy_nav(@pagy) if @pagy.pages > 1 %>
<ul>
<%= @products.each do |product| %>
<li><%= product.name %></li>
<% end %>
</ul>
如果你想使用 Bootstrap 样式的导航,只需在初始化时加入对应的额外组件:
require 'pagy/extras/bootstrap'
并在视图中使用 pagy_bootstrap_nav(@pagy) 替换普通导航。
应用案例和最佳实践
Keyset Pagination
对于处理大量数据,采用 Keyset Pagination 是一种明智的选择,Pagy 自版本9.0起提供了这一特性,尤其适用于大数据集合的高效率滚动。这避免了传统的基于偏移量的分页带来的性能瓶颈。
# 假设我们有一个排序条件
@pagy, @products = pagy(Product.order(:created_at), vars: [:sort])
无计数分页(Countless)
当你处理的数据集合极大以至于计算总数变得昂贵时,可以利用 Pagy::Countless 特性。
典型生态项目
Pagy 的生态系统允许与各种环境和库无缝集成,例如 Elasticsearch:
require 'pagy/extras/elasticsearch_rails'
extend Pagy::ElasticsearchRails
def search
response = Article.search(params[:query], page: pagy_page, per_page: pagy_items)
@pagy, @articles = pagy_elasticsearch_rails(response)
end
此外,Pagy 还支持客户端分页、无限滚动等现代交互模式,通过提供 JavaScript 辅助方法和示例,使开发者能够轻松实现这些高级功能。
以上就是关于 Pagy 的简明快速入门及一些进阶实践概览。深入探索其详细文档,将帮助你充分利用这个高效分页解决方案来优化你的应用程序。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00