Django Fixture Magic 使用与技术文档
1. 安装指南
环境要求
在开始安装前,请确保您的系统满足以下环境要求:
- Python 2.7 或 Python 3.6
- Django 版本在 1.8 到 2.1 之间
安装步骤
安装 Django Fixture Magic 最简单的方式是使用 pip 工具:
pip install django-fixture-magic
如果您需要安装开发版本的 Django Fixture Magic,可以使用以下命令:
pip install -e git://github.com/davedash/django-fixture-magic#egg=fixture-magic
对于 Python 3 用户,需要额外安装 future 包:
pip install future
安装完成后,需要在 Django 项目的 settings.py 文件中将 fixture_magic 添加到 INSTALLED_APPS 中:
INSTALLED_APPS = (
...
'fixture_magic',
...
)
2. 项目的使用说明
Django Fixture Magic 提供了四个命令行工具来帮助您管理和使用 fixtures。
dump_object
dump_object 命令可以导出指定模型的 JSON 表示,包括所有依赖对象(通过外键定义):
./manage.py dump_object APP.MODEL PK1 PK2 PK3 ... > my_new_fixture.json
或者,您可以传入一个查询参数来导出匹配的对象:
./manage.py dump_object APP.MODEL --query '{"pk__in": [PK1, PK2, PK3]}' > my_new_fixture.json
如果您想导出所有对象及其依赖,可以使用星号:
./manage.py dump_object APP.MODEL '*' > my_new_fixture.json
默认情况下,dump_object 会导出与模型相关联的 fixtures。如果您想禁用此功能,可以使用 --no-follow 选项。
merge_fixtures
merge_fixtures 命令用于合并多个 fixtures 文件,移除重复数据:
./manage.py merge_fixtures fixture1.json fixture2.json fixture3.json ... > all_my_fixtures.json
reorder_fixtures
reorder_fixtures 命令可以重新排序 fixtures 文件中的模型顺序,以避免外键错误:
./manage.py reorder_fixtures fixture.json APP1.MODEL1 APP2.MODEL2 ... > ordered_fixture.json
未指定的模型将被追加到文件末尾。
custom_dump
custom_dump 命令通过读取 CUSTOM_DUMPS 设置来导出模型数据,它允许您自定义导出哪些属性或方法:
CUSTOM_DUMPS = {
'addon': {
'primary': 'addons.addon',
'dependents': [
'current_version',
'current_version.files.all.0',
],
'order': ('app1.model1', 'app2.model2',),
'order_cond': {
'app1.model1': lambda x: 1 if x.get('fields').get('parent_model1') else 0,
'app2.model2': lambda x: -1 * x.get('pk'),
},
}
}
然后使用以下命令来执行 custom_dump:
./manage.py custom_dump addon id
3. 项目API使用文档
Django Fixture Magic 的 API 使用主要是围绕上述命令行工具进行的。详细的 API 文档可以在官方 GitHub 仓库的 wiki 页面中找到。
4. 项目安装方式
项目的安装方式已在“安装指南”部分详细说明,主要通过 pip 进行安装。如果需要安装特定版本或者开发版本,可以通过指定 GitHub 仓库地址来进行安装。
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