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。
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