Django-Mailgun 技术文档
1. 安装指南
首先,确保你已经安装了 Django。接下来,你可以使用 pip 命令安装 django-mailgun。
pip install django-mailgun
在安装完 django-mailgun 后,你需要在项目的 settings.py 文件中配置一些参数。
EMAIL_BACKEND = 'django_mailgun.MailgunBackend'
MAILGUN_ACCESS_KEY = 'ACCESS-KEY'
MAILGUN_SERVER_NAME = 'SERVER-NAME'
将 ACCESS-KEY 替换为你的 Mailgun 账户详情中的 "API-KEY",将 SERVER-NAME 替换为你的 "API Base URL" 的最后一部分(例如:https://api.mailgun.net/v3/<your_server_name>)。
2. 项目使用说明
在配置好 django-mailgun 后,你可以像平时一样使用 django.core.mail.send_mail 方法发送邮件,django-mailgun 会自动将邮件发送到 Mailgun。
from django.core.mail import send_mail
send_mail('Subject here', 'Here is the message.', 'from@example.com', ['to@example.com'], fail_silently=False)
3. 项目API使用文档
django-mailgun 支持一些额外的特性,例如:
发送用户特定数据
如果你想利用 Mailgun 的批量发送功能,你需要在 EmailMessage 的 extra_headers 属性中添加一个有效的 JSON 字符串。
from django.core.mail import EmailMessage
email = EmailMessage('Hi!', 'Cool message for %recipient.first_name%', 'admin@example.com', ['joe@example.com', 'jane@example.com'])
email.extra_headers['recipient_variables'] = '{"joe@example.com":{"first_name":"Joe"}, "jane@example.com":{"first_name":"Jane"}}'
email.send()
分析和其他追踪功能
Mailgun 允许你追踪关于你的电子邮件的某些事件。你可以在 API 调用中传递这些选项(更多信息请查看 Mailgun 文档)。如果你在 extra_headers 中添加任何 SMTP 选项,django-mailgun 会将这些值映射到相应的 API 参数。
from django.core.mail import EmailMessage
email = EmailMessage('Hi!', 'Cool message for Joe', 'admin@example.com', ['joe@example.com'])
email.extra_headers['X-Mailgun-Tag'] = ['Tag 1', 'Tag 2']
email.send()
附加数据到消息
你也可以通过 X-Mailgun-Variables 头向邮件附加自定义数据。数据应该格式化为 JSON,并将包含在任何与该电子邮件相关的 webhook 事件中。
from django.core.mail import EmailMessage
email = EmailMessage('Hi!', 'Cool message for Joe', 'admin@example.com', ['joe@example.com'])
email.extra_headers['X-Mailgun-Variables'] = {'my-id': 'email_id', 'my-variable':'variable'}
email.send()
请注意,django-mailgun 不会验证你提供的数据是否符合 Mailgun API 的要求,它只是简单地将你提供的值映射到 API。
4. 项目安装方式
请参考上文“安装指南”部分。
以上是关于 django-mailgun 的基本介绍和使用方法。如果你有任何问题或需要进一步的澄清,请随时查阅 Mailgun 的官方文档。
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