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。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0191
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0118
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
fun-rec推荐系统入门教程,在线阅读地址:https://datawhalechina.github.io/fun-rec/Python03
so-large-lm大模型基础: 一文了解大模型基础知识01