Tortoise-ORM 时区配置的最佳实践
背景介绍
Tortoise-ORM 是一个优秀的 Python 异步 ORM 框架,广泛应用于 FastAPI 等异步 Web 开发中。在实际开发过程中,正确处理数据库时间戳的时区问题至关重要,特别是对于跨时区的应用场景。
时区配置问题分析
许多开发者在使用 Tortoise-ORM 连接 MySQL 等数据库时,会遇到时间戳比实际时间慢8小时的问题。这通常是由于数据库连接的时区设置不正确导致的。以中国开发者为例,东八区(Asia/Shanghai)的时间如果不正确配置,就会出现这种时间偏差。
解决方案演进
初始尝试
开发者最初尝试通过在数据库连接字符串中添加时区参数来解决:
mysql://root:123456@192.100.30.102:3306/energy_dispatch?charset=utf8&timezone=Asia/Shanghai
但这种方法会抛出异常,因为 asyncmy 驱动不支持直接在连接字符串中设置 timezone 参数。
深入源码
通过分析 Tortoise-ORM 源码,发现可以在初始化时直接传递 use_tz 和 timezone 参数:
await Tortoise.init(
db_url=db_url,
modules=modules,
use_tz=False,
timezone="Asia/Shanghai",
)
配置方式对比
Tortoise-ORM 提供了三种配置方式:
- db_url:简单的连接字符串方式
- config:详细的字典配置方式
- config_file:配置文件方式
这三种方式是互斥的,只能选择其中一种使用。对于需要设置时区的场景,推荐使用 config 字典方式,因为它可以完整地支持所有配置参数。
最佳实践
使用 RegisterTortoise 配置时区
在 FastAPI 应用中,可以通过以下方式正确配置时区:
@asynccontextmanager
async def lifespan(app: FastAPI):
async with RegisterTortoise(
app,
config={
"connections": {"default": DB_URL},
"apps": {"models": {"models": ["models"]}},
"use_tz": True,
"timezone": "Asia/Shanghai",
"generate_schemas": True,
},
):
yield
参数说明
-
use_tz:是否使用时区感知时间戳
True:存储 UTC 时间,应用层负责时区转换False:使用本地时间,不进行时区转换
-
timezone:指定数据库使用的时区
- 例如 "Asia/Shanghai"、"UTC" 等
技术原理
Tortoise-ORM 的时区处理依赖于 Python 的 datetime 模块和 pytz 库。当 use_tz=True 时,所有时间戳都会转换为 UTC 时间存储,并在读取时根据当前时区转换回本地时间。当 use_tz=False 时,则直接使用本地时间,不进行任何转换。
对于中国开发者,典型的配置是:
use_tz=False
timezone="Asia/Shanghai"
这样可以确保数据库中的时间戳与本地时间一致,无需额外转换。
总结
正确处理时区问题是数据库应用开发中的重要环节。通过 Tortoise-ORM 的灵活配置,开发者可以根据实际需求选择最适合的时区处理方式。对于大多数国内应用场景,直接使用本地时间(Asia/Shanghai)并禁用时区转换(use_tz=False)是最简单可靠的解决方案。
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-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00