Pinax Likes 技术文档
1. 安装指南
要安装 pinax-likes,请运行以下命令:
pip install pinax-likes
在 INSTALLED_APPS 设置中添加 pinax.likes:
INSTALLED_APPS = [
# 其他应用
"pinax.likes",
]
在设置文件中将想要被喜欢的模型添加到 PINAX_LIKES_LIKABLE_MODELS:
PINAX_LIKES_LIKABLE_MODELS = {
"app.Model": {} # 在这个字典中为每个模型覆盖默认配置设置
}
将 pinax.likes.auth_backends.CanLikeBackend 添加到 AUTHENTICATION_BACKENDS(或使用自己的自定义版本,检查 pinax.likes.can_like 权限):
AUTHENTICATION_BACKENDS = [
# 其他后端
"pinax.likes.auth_backends.CanLikeBackend",
]
在项目的 urlpatterns 中添加 pinax.likes.urls:
urlpatterns = [
# 其他 URL
url(r"^likes/", include("pinax.likes.urls", namespace="pinax_likes")),
]
2. 项目的使用说明
将每个需要被喜欢的模型添加到 PINAX_LIKES_LIKABLE_MODELS 设置中:
PINAX_LIKES_LIKABLE_MODELS = {
"profiles.Profile": {},
"videos.Video": {},
"biblion.Post": {},
}
在 Django 模板中显示“喜欢”小部件。假设你有一个博客文章的详细页面。首先在模板中加载标签:
{% load pinax_likes_tags %}
在想要显示喜欢小部件的位置,添加:
{% likes_widget request.user post %}
确保你安装了 eldarion-ajax。
Eldarion AJAX
上述的 likes_widget 模板标签和“切换喜欢”视图都遵循 eldarion-ajax 理解的 AJAX 响应。此外,本项目提供的模板将与 eldarion-ajax 无缝工作。在你的基础模板中包含 eldarion-ajax.min.js JavaScript 包:
{% load staticfiles %}
<script src="{% static "js/eldarion-ajax.min.js" %}"></script>
并在你的站点 JavaScript 中包含 eldarion-ajax:
require('eldarion-ajax');
使用 eldarion-ajax 是可选的。你可以滚动自己的 JavaScript 处理,因为视图除了返回渲染的 HTML 外,还会返回数据。此外,如果你根本不想要 ajax,视图将处理常规 POST 并执行重定向。
3. 项目API使用文档
本项目提供了以下模板标签和信号供使用:
信号
pinax.likes.signals.object_liked 和 pinax.likes.signals.object_unliked 分别在对象被喜欢和取消喜欢后发送,包含了相关的 Like 实例或对象。
滤镜
likes_count 滤镜返回给定对象喜欢的数量。
模板标签
who_likes:获取给定对象的喜欢列表。likes:获取给定用户喜欢的对象列表。render_like:渲染一个喜欢。likes_widget:渲染一个 HTML 片段,用户点击它可以取消喜欢或喜欢对象。liked:装饰一个对象的可迭代列表,指示指定用户是否喜欢每个对象。
4. 项目安装方式
请参考上述“安装指南”部分进行项目的安装。安装完成后,根据“项目的使用说明”部分配置并使用 pinax-likes。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00