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
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
项目优选
收起
deepin linux kernel
C
27
11
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
569
3.84 K
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
68
20
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
12
1
暂无简介
Dart
801
199
🎉 (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
1.37 K
781
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
24
0
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
350
203
Ascend Extension for PyTorch
Python
379
453
无需学习 Kubernetes 的容器平台,在 Kubernetes 上构建、部署、组装和管理应用,无需 K8s 专业知识,全流程图形化管理
Go
16
1