Django-Components 0.137版本发布:组件视图与缓存能力升级
项目简介
Django-Components是一个为Django框架提供组件化开发能力的扩展库。它允许开发者将前端模板、CSS样式和JavaScript逻辑封装成可复用的组件,从而提升Django项目的模块化程度和开发效率。通过组件化的方式,开发者可以构建更加清晰、可维护的Web界面。
版本核心更新
组件视图处理方式改进
在0.137版本中,对组件视图处理器的定义方式进行了重要调整。原先允许直接在Component类上定义get()、post()等HTTP方法的方式已被标记为废弃,推荐开发者将这些方法移至Component.View嵌套类中。
旧方式(已废弃):
class MyComponent(Component):
def get(self, request):
return self.render_to_response()
新推荐方式:
class MyComponent(Component):
class View:
def get(self, request):
return self.render_to_response()
这一改变使得组件结构更加清晰,视图相关逻辑集中管理,符合Django的类视图设计理念。对于现有项目,建议逐步迁移到新的定义方式,以避免未来版本升级时出现兼容性问题。
组件类唯一标识符
新版本引入了class_id属性,为每个Component子类提供唯一标识。这与实例级别的id属性不同,后者是针对每个渲染实例的。
开发者可以通过新增的get_component_by_class_id()函数,根据class_id查找对应的组件类。这一特性为组件管理和动态加载提供了更多可能性。
简化的URL配置
0.137版本显著简化了组件视图的URL配置流程。通过在组件中设置Component.Url.public = True,可以自动为组件创建URL路由,无需手动调用as_view()和配置urlpatterns。
配置示例:
class MyComponent(Component):
class Url:
public = True
...
获取组件URL时,只需使用get_component_url(MyComponent)函数即可。这种方式使组件URL管理更加集中,减少了与主URL配置的耦合。
组件级缓存机制
这是一个重要的新特性,允许开发者为单个组件配置缓存。通过设置Component.Cache.enabled = True,可以启用组件输出缓存,后续相同输入的渲染将直接返回缓存结果。
缓存配置示例:
class TestComponent(Component):
template = "Hello"
class Cache:
enabled = True
ttl = 0.1 # 缓存存活时间(秒)
cache_name = "custom_cache" # 可选自定义缓存后端
# 自定义缓存键生成方法
def hash(self, *args, **kwargs):
return f"{json.dumps(args)}:{json.dumps(kwargs)}"
组件缓存特别适用于渲染开销大但变化不频繁的组件,能显著提升页面响应速度。开发者可以精细控制每个组件的缓存策略,包括TTL、使用的缓存后端以及如何生成缓存键。
其他改进
- 测试工具
@djc_test现在更加智能,无需手动调用django.setup()即可使用 - 公开了
ComponentInput类型,为组件输入提供更好的类型提示支持 get_context_data()方法现在可以省略return语句或返回None,使用更加灵活
升级建议
对于正在使用Django-Components的项目,建议:
- 逐步将视图处理器迁移到Component.View嵌套类中
- 评估组件缓存的使用场景,对性能关键组件启用缓存
- 考虑使用新的URL配置方式简化路由管理
- 利用class_id特性改进组件查找逻辑
0.137版本为Django-Components带来了更加完善的组件化开发生态,特别是在视图处理和性能优化方面提供了更多可能性,值得开发者关注和升级。
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