Django-tenants多租户项目中删除操作的租户识别方案
2025-07-09 14:09:55作者:昌雅子Ethen
在基于django-tenants的多租户架构项目中,开发者经常需要实现跨租户的数据同步功能。本文探讨了一个典型场景:当需要在主租户中维护影子表以跟踪其他租户的数据变更时,如何准确识别删除操作的来源租户。
问题背景
在多租户系统中,使用django-tenants可以方便地实现数据隔离。但在某些业务场景下,我们需要在主租户中维护其他租户数据的影子副本。通过pre_save和post_delete信号可以很好地捕获这些变更:
- 对于保存操作(pre_save),由于操作上下文明确,可以轻松获取目标租户信息
- 对于删除操作(pre_delete),信号处理器中却难以直接获取操作来源的租户信息
技术挑战
删除操作的信号处理面临以下技术难点:
- 信号处理器中只能获取到模型实例,而模型实例本身不包含租户信息
- 请求上下文在信号处理阶段已经不可用
- 标准Django删除流程中没有预留扩展点来传递额外信息
解决方案
经过实践验证,可以采用"标记传递"模式来解决这个问题。核心思路是在删除操作发起时,将租户信息临时附加到模型实例上,供后续信号处理器使用。
实现方案详解
1. 普通视图删除处理
在自定义视图中处理删除操作时,可以在调用delete()前设置租户ID:
def delete_example(request, pk):
instance = Example.objects.get(pk=pk)
instance.tenant_id = request.tenant.id # 标记来源租户
instance.delete()
return HttpResponseRedirect('/success/')
2. Django Admin删除处理
对于Admin界面的删除操作,需要重写delete_model和delete_queryset方法:
class ExampleAdmin(admin.ModelAdmin):
def delete_model(self, request, obj):
obj.tenant_id = request.tenant.id # 标记来源租户
return super().delete_model(request, obj)
def delete_queryset(self, request, queryset):
for obj in queryset:
self.delete_model(request, obj)
3. 信号处理器实现
在pre_delete信号处理器中,可以读取预先设置的tenant_id:
@receiver(pre_delete, sender=Example)
def handle_example_delete(sender, instance, **kwargs):
if hasattr(instance, 'tenant_id'):
tenant_id = instance.tenant_id
# 根据tenant_id执行相应的影子表操作
...
方案优势
- 无侵入性:不修改django-tenants核心逻辑
- 全面覆盖:同时支持普通视图和Admin界面的删除操作
- 低性能开销:仅增加了一个属性设置操作
- 可扩展性:可轻松扩展到其他需要上下文信息的场景
注意事项
- 确保tenant_id属性不会与模型原有字段冲突
- 批量删除操作需要遍历queryset逐个处理
- 对于第三方应用的删除操作,可能需要额外的适配
这种方案为django-tenants项目中的跨租户数据同步提供了一种可靠且易于实现的解决方案,特别适合需要在主租户中维护数据变更记录的场景。
登录后查看全文
热门项目推荐
相关项目推荐
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-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。00
项目优选
收起
deepin linux kernel
C
24
7
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
9
1
暂无简介
Dart
615
140
Ascend Extension for PyTorch
Python
168
190
React Native鸿蒙化仓库
JavaScript
240
315
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
647
256
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
373
3.18 K
🎉 (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
1.09 K
618
🔥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
62
19
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
262
92