Tortoise-ORM中自定义主键生成策略的实现方法
在使用Tortoise-ORM时,开发者可能会遇到需要自定义主键生成策略的情况。本文将以Snowflake算法为例,详细介绍如何在Tortoise-ORM中正确实现自定义主键生成。
问题背景
在数据库设计中,主键的生成策略有多种选择。Snowflake算法是一种分布式ID生成算法,它能够生成全局唯一的64位整数ID,非常适合分布式系统使用。该算法生成的ID包含时间戳、机器ID、进程ID和序列号等信息。
当开发者尝试在Tortoise-ORM中使用Snowflake算法作为主键生成策略时,可能会发现实际生成的ID与预期不符,数据库仍然使用了自增序列。
问题原因
Tortoise-ORM对于整数类型的主键字段有一个默认行为:当字段类型为整数且作为主键时,会自动设置generated=True
。这个参数表示主键值将由数据库自动生成,而不是由应用程序提供。
这种设计对于简单的自增ID场景非常方便,但当我们需要使用自定义ID生成算法时,就会产生冲突。
解决方案
要解决这个问题,需要显式地设置generated=False
参数。这会告诉Tortoise-ORM不要依赖数据库生成主键值,而是使用我们提供的默认值生成函数。
以下是正确的字段定义方式:
class User(Model):
id = fields.BigIntField(primary_key=True, default=new_id, generated=False)
username = fields.CharField(32, unique=True)
Snowflake算法实现示例
下面是一个完整的Snowflake算法实现示例,可以直接在项目中使用:
import time
import os
# 初始化参数
machine_counter = 0
machine_id = 0 # 可根据实际环境配置
epoch = 1609459200000 # 2021-01-01 00:00:00 UTC
def new_id():
global machine_counter
# 生成64位ID
return (
((int(time.time() * 1000) - epoch) << 22) |
((machine_id % 32) << 17) |
((os.getpid() % 32) << 12) |
((machine_counter := machine_counter + 1) % 1024)
)
使用注意事项
-
分布式环境:在多机部署时,需要确保每台服务器的
machine_id
不同,通常可以通过环境变量或配置文件设置。 -
时钟回拨:Snowflake算法对系统时钟敏感,如果发生时钟回拨,可能导致ID重复。生产环境中需要增加时钟回拨检测和处理逻辑。
-
性能考虑:虽然Snowflake算法性能很高,但在极高并发场景下,可以考虑使用批量生成ID的策略。
-
迁移兼容性:如果从自增ID迁移到Snowflake ID,需要注意外键关系的处理和数据迁移策略。
总结
通过正确设置generated=False
参数,我们可以在Tortoise-ORM中自由使用各种自定义主键生成策略。Snowflake算法只是其中一种选择,开发者可以根据项目需求选择UUID、ULID等其他分布式ID方案。
理解ORM框架的默认行为并根据实际需求进行调整,是高效使用ORM框架的重要技能。希望本文能帮助开发者更好地掌握Tortoise-ORM的主键生成机制。
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~042CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava04GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。06GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00openHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!C0299- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
最新内容推荐
项目优选









