Websauna项目教程:创建你的第一个数据模型
前言
在Websauna框架中,数据模型是构建Web应用的核心部分。本教程将指导你如何在Websauna项目中创建第一个数据模型,特别是一个投票系统的数据模型。通过这个实例,你将学习到Websauna中模型定义、数据库迁移等关键概念。
模型基础
在Websauna中,模型使用SQLAlchemy进行定义。SQLAlchemy是一个强大的Python ORM(对象关系映射)工具,它允许你使用Python类来表示数据库表。
创建投票模型
我们将创建一个简单的投票系统,包含两个主要模型:
- Question(问题):表示投票的问题
- Choice(选项):表示每个问题的可选答案
在你的models.py文件中添加以下代码:
from uuid import uuid4
from sqlalchemy import Column, String, Integer, ForeignKey
from websauna.system.model.columns import UUID
from sqlalchemy.orm import relationship
from websauna.system.model.meta import Base
from websauna.system.model.columns import UTCDateTime
class Question(Base):
"""表示投票问题的模型"""
__tablename__ = "question" # 数据库表名
# 主键字段
id = Column(Integer, autoincrement=True, primary_key=True)
# 公开使用的UUID,比自增ID更安全
uuid = Column(UUID(as_uuid=True), default=uuid4)
# 问题文本
question_text = Column(String(256), default=None)
# 发布时间(UTC时间)
published_at = Column(UTCDateTime, default=None)
# 与Choice模型的一对多关系
choices = relationship("Choice",
back_populates="question",
lazy="dynamic",
cascade="all, delete-orphan",
single_parent=True)
class Choice(Base):
"""表示投票选项的模型"""
__tablename__ = "choice" # 数据库表名
# 主键字段
id = Column(Integer, autoincrement=True, primary_key=True)
# 公开使用的UUID
uuid = Column(UUID(as_uuid=True), default=uuid4)
# 选项文本
choice_text = Column(String(256), default=None)
# 投票计数
votes = Column(Integer, default=0)
# 外键关联到Question
question_id = Column(Integer, ForeignKey('question.id'))
question = relationship("Question", back_populates="choices")
关键点解析
-
Base类:所有模型都继承自
websauna.system.model.meta.Base,这是Websauna提供的默认模型基类。 -
UUID字段:我们使用UUID而不是自增ID作为公开标识符,这提高了安全性,防止恶意用户猜测ID。
-
时间处理:
UTCDateTime确保所有时间都以UTC格式存储,避免了时区相关的问题。 -
关系定义:我们定义了Question和Choice之间的一对多关系,并配置了级联删除等行为。
数据库迁移
仅仅定义Python模型是不够的,我们还需要将这些变更应用到数据库中。这个过程称为数据库迁移。
为什么需要迁移
当你尝试启动开发服务器时,Websauna的完整性检查会发现数据库结构与模型定义不匹配,导致启动失败。这是Websauna的安全机制,防止你使用不一致的数据库结构。
创建迁移脚本
执行以下命令创建迁移脚本:
ws-alembic -c company/application/conf/development.ini revision --auto -m "Added choices and questions"
这个命令会分析模型与数据库的差异,并生成一个迁移脚本。Websauna使用Alembic来管理数据库迁移。
应用迁移
创建迁移脚本后,执行以下命令将变更应用到数据库:
ws-alembic -c company/application/conf/development.ini upgrade head
注意:PostgreSQL的迁移是事务性的,这意味着整个迁移要么完全成功,要么完全失败。这为迁移过程提供了额外的安全保障。
验证结果
迁移完成后,你可以使用数据库命令行工具检查新创建的表:
ws-db-shell
在数据库shell中,你可以看到新创建的question和choice表。
最佳实践
-
小步迁移:每次只做少量模型变更,然后生成并测试迁移脚本。
-
描述性消息:为每个迁移提供清晰的描述信息,方便日后维护。
-
测试环境验证:在应用到生产环境前,先在测试环境中验证迁移。
-
备份:执行重要迁移前,确保有数据库备份。
总结
通过本教程,你学会了:
- 如何在Websauna中定义数据模型
- 模型间关系的配置方法
- 数据库迁移的基本流程
- 模型设计中的安全考虑(如使用UUID)
这些知识为你构建更复杂的Websauna应用打下了坚实基础。在后续教程中,我们将学习如何为这些模型创建视图和表单,实现完整的投票功能。
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