Dynaconf项目新增@get转换器功能解析
2025-06-16 06:08:33作者:秋阔奎Evelyn
Dynaconf作为Python配置管理工具,近期社区讨论并实现了一个新的配置转换器功能@get。该功能允许在配置文件中直接引用其他配置项的值,为配置管理带来了更大的灵活性。
功能概述
@get转换器的主要作用是让用户能够在配置文件中直接获取其他配置项的值。与现有的@format或@jinja转换器不同,@get不会强制将值转换为字符串,而是保留原始数据类型。
典型使用场景如下:
# a.py配置文件
THING = "value"
# b.py配置文件
ANOTHER_THING = "@get THING"
技术实现细节
实现@get转换器主要涉及以下几个技术要点:
-
解析逻辑:需要解析@get后面的参数,支持多种格式:
- 简单引用:
@get VAR - 带类型转换:
@get VAR @int - 带默认值:
@get VAR default_value - 完整形式:
@get VAR @cast default_value
- 简单引用:
-
参数处理:将解析后的参数映射到settings.get()方法的调用:
settings.get("VAR", default="default_value", cast="@cast") -
延迟求值:考虑是否采用延迟求值(Lazy Evaluation)策略,这会影响配置项初始化和运行时行为。
实际应用示例
假设我们有以下配置需求:
# 基础配置
DATABASE_PORT = 5432
# 引用其他配置项
CACHE_PORT = "@get DATABASE_PORT"
# 带类型转换和默认值
TIMEOUT = "@get REQUEST_TIMEOUT @int 30"
这种设计特别适合以下场景:
- 多个配置项需要共享同一个基础值
- 需要确保配置值类型一致性
- 配置项之间存在依赖关系
技术选型考虑
在实现参数解析时,团队考虑了多种方案:
- 简单字符串处理:使用split()和正则表达式,适合简单场景
- PyParsing库:提供更强大的解析能力,但会增加依赖
最终实现采用了平衡方案:优先使用简单字符串处理,保持核心功能轻量;必要时再考虑引入PyParsing作为可选依赖。
最佳实践建议
- 对于简单引用,优先使用
@get VAR形式 - 需要类型安全时,明确指定转换器如
@get VAR @int - 关键配置项建议总是提供默认值
- 注意循环引用问题,避免A引用B,B又引用A的情况
这个新功能为Dynaconf用户提供了更灵活的配置管理方式,特别是在复杂项目和多环境配置场景下,能够显著提升配置的可维护性和一致性。
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
项目优选
收起
deepin linux kernel
C
24
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
413
3.17 K
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++
685
324
Ascend Extension for PyTorch
Python
227
255
暂无简介
Dart
678
160
React Native鸿蒙化仓库
JavaScript
265
326
🎉 (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
1.21 K
660
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
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
492
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
343
146