Google Cloud Datastore NDB 客户端库指南
项目介绍
Google Cloud Datastore NDB 客户端库 是一个专为在 Google App Engine 的 Python 运行环境中与 Google Cloud Datastore 交互而设计的客户端库。它提供了一套高级数据模型抽象,使得开发者能够更简便地管理和操作云数据。尽管这个库原本是面向Python 2且仅限于App Engine环境,但请注意,对于支持Python 3并兼容非App Engine环境的需求,应转向更新的版本或查看 googleapis/python-ndb。
项目快速启动
在开始之前,确保你已经安装了Google Cloud SDK,并配置好了你的Google Cloud项目。
步骤一:安装库
由于原始仓库已归档,对新项目推荐使用最新版本的ndb库。以下是安装更新后的版本(python-ndb)的方法:
pip install google-cloud-ndb
步骤二:初始化示例
以下是如何创建一个简单的数据模型并在Google Cloud Datastore中存储数据的例子。
首先,导入必要的库并定义数据模型:
from google.cloud import ndb
class User(ndb.Model):
name = ndb.StringProperty()
email = ndb.StringProperty()
# 初始化客户端,通常这一步会在应用的入口处完成
client = ndb.Client()
with client.context():
# 创建一个新的用户实体
new_user = User(name='Alice', email='alice@example.com')
new_user.put() # 将实体保存到Datastore
# 查询用户
key = ndb.Key(User, 'alice-key') # 假设我们知道用户的键
alice = key.get()
print(f"User's name: {alice.name}, Email: {alice.email}")
应用案例和最佳实践
在实际应用中,NDB的高级特性和异步查询能力特别有用。例如,利用其上下文管理器进行事务处理可以保证数据的一致性:
def transfer_funds(sender_key, receiver_key, amount):
with client.transaction():
sender = sender_key.get()
receiver = receiver_key.get()
if sender.balance >= amount:
sender.balance -= amount
receiver.balance += amount
sender.put()
receiver.put()
else:
raise ValueError("Insufficient funds.")
最佳实践中,确保合理组织实体关系,使用缓存策略减少不必要的API调用,并始终关注查询效率,避免全量查询。
典型生态项目
虽然本指引主要集中在datastore-ndb-python项目上,但在现代实践中,开发基于Google Cloud的Python应用时,结合使用google-cloud-ndb和其他Google Cloud Python客户端库是常见的做法。这些生态项目包括但不限于google-cloud-storage、google-cloud-firestore等,它们共同支撑起复杂应用的后端服务。对于构建扩展性强、跨多个Google Cloud服务的应用,理解这些库如何协同工作是非常重要的。
请注意,对于最新的功能和最佳实践,建议参考Google Cloud的官方文档和最新的python-ndb库,以获得对Python 3的支持及适应更广泛的部署场景。
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