Piccolo ORM 实现表级别操作监控的技术方案
2025-07-10 09:09:28作者:裘晴惠Vivianne
在数据库应用开发中,对数据表操作的监控和审计是一个常见需求。本文将介绍如何在Piccolo ORM框架中实现类似Rails ActiveRecord的回调机制,通过表级别的操作监控来记录数据变更历史。
核心实现原理
Piccolo ORM本身提供了查询操作的回调机制,但对于创建、更新和删除操作,需要通过重写表方法来实现监控功能。核心思路是创建一个基础表类,重写其save和remove方法,在这些方法中嵌入监控逻辑。
监控表设计
首先需要设计一个监控日志表,用于记录所有操作的历史:
class ActionType(str, Enum):
CREATE = "CREATE"
UPDATE = "UPDATE"
DELETE = "DELETE"
class Monitor(Table, db=DB):
action_time = Timestamp()
action_type = Varchar(choices=ActionType)
table_name = Varchar()
row_id = Integer()
history = JSON()
这个表结构包含了操作时间、操作类型、表名、行ID和历史数据快照,能够完整记录每一次数据变更。
基础表类的实现
创建一个基础表类BaseTable,所有需要监控的表都继承自这个类:
class BaseTable(Table, db=DB):
__monitor__ = False # 监控开关
def save(self, columns=None):
# 重写save方法实现创建和更新监控
pass
def remove(self):
# 重写remove方法实现删除监控
pass
监控逻辑的实现
在基础表类中,我们需要实现具体的监控逻辑:
- 保存操作监控:区分创建和更新操作
async def run(self, *args, **kwargs):
saved = await save_(columns=columns).run(*args, **kwargs)
if monitor:
if isinstance(pk, Unquoted): # 创建操作
await Monitor.record_save_action(table, saved[0]["id"])
else: # 更新操作
await Monitor.record_patch_action(table, pk)
- 删除操作监控:
async def run(self, *args, **kwargs):
await remove_().run(*args, **kwargs)
if monitor:
await Monitor.record_delete_action(table, row_id=pk)
实际应用示例
创建一个需要监控的表非常简单,只需继承BaseTable并设置监控开关:
class Manager(BaseTable, db=DB):
name = Varchar(length=100)
__monitor__ = True # 启用监控
使用时与普通Piccolo表完全一致,所有操作会自动记录到监控表中:
# 创建记录
await Manager(name="测试用户").save()
# 更新记录
manager = await Manager.objects().first()
manager.name = "修改后的名称"
await manager.save()
# 删除记录
await manager.remove()
监控数据查询
所有操作历史都存储在Monitor表中,可以方便地进行查询和分析:
# 查询所有监控记录
records = await Monitor.select().run()
技术优势
- 非侵入式设计:业务表无需修改原有逻辑,只需继承基础表类
- 完整历史记录:不仅记录操作类型,还保存了数据快照
- 性能影响小:监控操作异步执行,不影响主业务流程
- 灵活可控:通过
__monitor__开关控制是否启用监控
扩展思路
这种实现方式可以进一步扩展:
- 增加操作人记录,实现完整的审计追踪
- 添加操作原因字段,记录变更背景
- 实现数据版本控制,支持回滚到任意版本
- 集成到管理后台,提供可视化操作历史
通过这种表级别操作监控的实现,Piccolo ORM应用可以获得类似Rails ActiveRecord的回调功能,为数据安全和审计需求提供了可靠保障。
登录后查看全文
热门项目推荐
相关项目推荐
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- QQwen3-Coder-Next2026年2月4日,正式发布的Qwen3-Coder-Next,一款专为编码智能体和本地开发场景设计的开源语言模型。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin08
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
热门内容推荐
项目优选
收起
deepin linux kernel
C
27
11
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
533
3.75 K
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
12
1
🔥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
67
20
暂无简介
Dart
772
191
Ascend Extension for PyTorch
Python
341
405
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++
886
596
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
23
0
React Native鸿蒙化仓库
JavaScript
303
355
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
336
178