缓存操作(Cacheops)技术文档
2024-12-25 15:03:43作者:宣聪麟
1. 安装指南
要安装 Cacheops,可以使用 pip 工具。以下是安装命令:
pip install django-cacheops
如果您希望直接从 GitHub 安装最新版本,可以使用以下命令:
pip install git+https://github.com/Suor/django-cacheops.git@master
2. 项目使用说明
Cacheops 是一个功能强大的应用,支持自动或手动查询集缓存,以及基于事件的细粒度自动失效。它使用 Redis 作为 ORM 缓存的后端,同时也支持使用 Redis 或文件系统进行简单的时间失效。
Cacheops 提供以下特性:
- 装饰器,用于缓存任何用户函数或视图作为查询集或按时间缓存。
- 对 Django 和 Jinja2 模板的扩展。
- 透明的事务支持。
- 防止狗堆(dog-pile)的机制。
- 一些使 Django 运行更快的技巧。
3. 项目API使用文档
以下是一些 Cacheops 的基本使用方法:
自动缓存
自动缓存是通过配置来实现的。例如,以下配置将对 User.objects.get() 的调用自动缓存 15 分钟:
CACHEOPS = {
'auth.user': {'ops': 'get', 'timeout': 60*15},
}
手动缓存
可以通过调用查询集的 .cache() 方法来强制使用缓存:
Article.objects.filter(tag=2).cache()
您还可以指定要缓存的操作,例如:
qs = Article.objects.filter(tag=2).cache(ops=['count'])
函数缓存
可以使用 cached_as 装饰器来缓存函数的结果:
from cacheops import cached_as
@cached_as(Article, timeout=120)
def article_stats():
# ...
视图缓存
视图可以通过 cached_view_as 装饰器来缓存:
from cacheops import cached_view_as
@cached_view_as(News)
def news_index(request):
# ...
4. 项目安装方式
除了使用 pip 安装外,您还需要在 Django 项目的 INSTALLED_APPS 中添加 cacheops:
INSTALLED_APPS = [
# ...
'cacheops',
]
接着配置 Redis 连接,为需要的模型启用缓存:
CACHEOPS_REDIS = {
'host': 'localhost',
'port': 6379,
'db': 1,
}
以上即为 Cacheops 的技术文档概览,更多详细配置和使用方法请参考项目官方文档。
登录后查看全文
热门项目推荐
相关项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-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
最新内容推荐
MQTT客户端软件源代码:物联网开发的强大工具与最佳实践指南 Launch4j中文版:Java应用程序打包成EXE的终极解决方案 全球GEOJSON地理数据资源下载指南 - 高效获取地理空间数据的完整解决方案 TortoiseSVN 1.14.5.29465 中文版:高效版本控制的终极解决方案 IK分词器elasticsearch-analysis-ik-7.17.16:中文文本分析的最佳解决方案 电脑PC网易云音乐免安装皮肤插件使用指南:个性化音乐播放体验 STM32到GD32项目移植完全指南:从兼容性到实战技巧 QT连接阿里云MySQL数据库完整指南:从环境配置到问题解决 基于Matlab的等几何分析IGA软件包:工程计算与几何建模的完美融合 XMODEM协议C语言实现:嵌入式系统串口文件传输的经典解决方案
项目优选
收起
deepin linux kernel
C
26
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
420
3.22 K
Ascend Extension for PyTorch
Python
230
261
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++
689
330
暂无简介
Dart
685
160
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
React Native鸿蒙化仓库
JavaScript
266
326
🔥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
65
19
🎉 (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
1.22 K
666
仓颉编译器源码及 cjdb 调试工具。
C++
136
869