Tortoise ORM中update_or_create方法的使用场景与最佳实践
2025-06-09 23:25:31作者:袁立春Spencer
概述
在数据库操作中,"更新或创建"(update_or_create)是一个常见的需求模式。Tortoise ORM作为Python生态中优秀的异步ORM框架,提供了update_or_create这一便捷方法。本文将深入探讨该方法的设计原理、使用场景以及在实际开发中的最佳实践。
方法原理
Tortoise ORM的update_or_create方法设计灵感来源于Django ORM,其核心逻辑是:
- 首先尝试根据查询条件查找记录
- 如果记录存在,则使用defaults参数更新记录
- 如果记录不存在,则创建新记录
方法签名如下:
@classmethod
async def update_or_create(
cls: Type[MODEL],
defaults: Optional[dict] = None,
using_db: Optional[BaseDBAsyncClient] = None,
**kwargs: Any,
) -> Tuple[MODEL, bool]:
典型使用场景
基础用法
最常见的用法是当需要确保某条记录存在时,无论它是需要创建还是更新:
user, created = await SysUser.update_or_create(
username="john_doe",
defaults={"age": 30, "email": "john@example.com"}
)
用户登录场景
在用户认证系统中,经常需要在用户首次登录时创建记录,后续登录时更新最后登录时间等信息:
user, created = await User.update_or_create(
username=username,
defaults={"last_login": datetime.now()}
)
常见误区与解决方案
关于defaults参数的误解
开发者常误以为defaults参数与模型字段的default属性相关,实际上:
- defaults参数仅用于指定更新或创建时要设置的字段值
- 模型字段的default属性是在创建记录时未显式指定值时的默认值
部分字段更新问题
当只需要更新部分字段而保留其他字段不变时,最佳实践是:
- 显式指定需要更新的字段到defaults参数中
- 避免直接将整个模型实例传入defaults
# 推荐做法 - 只更新需要变更的字段
await User.update_or_create(
username=username,
defaults={"department": new_department}
)
# 不推荐做法 - 可能意外覆盖其他字段
await User.update_or_create(
username=username,
defaults=user.dict() # 可能包含不应更新的字段
)
高级使用建议
事务处理
update_or_create内部使用了事务保证操作的原子性。在需要更大范围的事务控制时,可以:
async with in_transaction():
user, created = await User.update_or_create(...)
# 其他相关操作
性能考量
对于高频调用的场景,建议:
- 明确指定查询条件的索引字段
- 限制defaults中的字段数量,只包含必要字段
- 考虑批量操作替代频繁的单条操作
替代方案
在某些复杂场景下,update_or_create可能不够灵活,此时可以考虑:
- 先查询后判断的显式流程
user = await User.filter(username=username).first()
if user:
await user.update_from_dict(update_fields).save()
else:
user = await User.create(**create_fields)
- 使用原生SQL或批量操作提高性能
总结
Tortoise ORM的update_or_create方法为常见的"存在则更新,不存在则创建"场景提供了简洁的解决方案。理解其设计原理和适用场景,结合具体业务需求合理使用,可以显著提高开发效率。在复杂业务逻辑中,适当采用显式流程可能更有利于维护性和灵活性。
开发者应根据实际场景选择最适合的方案,平衡代码简洁性、性能需求和业务逻辑复杂度。
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
Ascend Extension for PyTorch
Python
223
245
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
暂无简介
Dart
672
157
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++
662
312
React Native鸿蒙化仓库
JavaScript
262
322
🔥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
64
19
仓颉编译器源码及 cjdb 调试工具。
C++
134
867
仓颉编程语言测试用例。
Cangjie
37
860
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
218