Pinax Referrals 技术文档
2024-12-26 12:03:16作者:尤峻淳Whitney
1. 安装指南
1.1 安装步骤
要安装 pinax-referrals,可以通过以下命令使用 pip 进行安装:
$ pip install pinax-referrals
1.2 配置 Django 项目
在 Django 项目的 settings.py 文件中,将 pinax.referrals 添加到 INSTALLED_APPS 中:
INSTALLED_APPS = [
# 其他应用
"pinax.referrals",
]
1.3 添加中间件
为了在用户注册并认证后链接到初始的推荐链接,需要在 MIDDLEWARE 中添加 pinax.referrals.middleware.SessionJumpingMiddleware。确保它位于 django.contrib.auth.middleware.AuthenticationMiddleware 之后:
MIDDLEWARE = [
# 其他中间件
"django.contrib.auth.middleware.AuthenticationMiddleware",
"pinax.referrals.middleware.SessionJumpingMiddleware",
]
1.4 配置 URL
在项目的 urls.py 文件中,添加 pinax.referrals.urls 到 URL 配置中:
urlpatterns = [
# 其他 URL
url(r"^referrals/", include("pinax.referrals.urls", namespace="pinax_referrals")),
]
2. 项目的使用说明
2.1 创建推荐链接
Referral.create 是一个工厂方法,用于创建推荐链接。可以通过以下方式直接调用:
referral = Referral.create(
user=profile.user,
redirect_to=reverse("home")
)
profile.referral = referral
profile.save()
2.2 记录推荐响应
Referral.record_response 方法用于记录用户对推荐链接的响应。例如:
from pinax.referrals.models import Referral
def my_view(request, **kwargs):
# 其他代码
referral_response = Referral.record_response(request, "SOME_ACTION")
2.3 获取请求中的推荐对象
Referral.referral_for_request 方法可以获取当前请求中的推荐对象,以便在项目中应用业务逻辑:
referral = Referral.referral_for_request(request)
3. 项目 API 使用文档
3.1 Referral.create
用于创建推荐链接。主要参数包括:
user: 关联的用户,可选。redirect_to: 重定向的 URL,必填。label: 推荐链接的标签,可选。
3.2 Referral.record_response
用于记录用户对推荐链接的响应。主要参数包括:
request: Django 请求对象。action: 响应的动作标签。target: 关联的目标对象,可选。
3.3 Referral.referral_for_request
用于获取当前请求中的推荐对象。主要参数包括:
request: Django 请求对象。
4. 项目安装方式
4.1 使用 pip 安装
通过以下命令安装 pinax-referrals:
$ pip install pinax-referrals
4.2 配置 Django 项目
在 settings.py 中配置 INSTALLED_APPS、MIDDLEWARE 和 urls.py,具体步骤见 1.2、1.3 和 1.4。
4.3 自定义设置
可以通过修改 settings.py 中的相关设置来调整 pinax-referrals 的默认行为,例如:
PINAX_COOKIE_MAX_AGE = 3600 # 设置 cookie 的最大存活时间为 1 小时
PINAX_REFERRALS_SECURE_URLS = True # 使用 HTTPS 生成 URL
通过以上步骤,您可以成功安装并配置 pinax-referrals,并在项目中使用其功能。
登录后查看全文
热门项目推荐
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust060
Kimi-K2.6Kimi K2.6 是一款开源的原生多模态智能体模型,在长程编码、编码驱动设计、主动自主执行以及群体任务编排等实用能力方面实现了显著提升。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
Hy3-previewHy3 preview 是由腾讯混元团队研发的2950亿参数混合专家(Mixture-of-Experts, MoE)模型,包含210亿激活参数和38亿MTP层参数。Hy3 preview是在我们重构的基础设施上训练的首款模型,也是目前发布的性能最强的模型。该模型在复杂推理、指令遵循、上下文学习、代码生成及智能体任务等方面均实现了显著提升。Python00
热门内容推荐
项目优选
收起
暂无描述
Dockerfile
686
4.43 K
Ascend Extension for PyTorch
Python
536
656
Claude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed.
Get Started
Rust
342
60
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
403
314
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
952
910
Oohos_react_native
React Native鸿蒙化仓库
C++
336
385
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.58 K
920
暂无简介
Dart
933
232
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
135
216
昇腾LLM分布式训练框架
Python
145
171