Django Ninja 中 ModelSchema 关联对象查询的异步处理技巧
2025-05-28 03:17:23作者:裴麒琰
在使用 Django Ninja 框架开发 REST API 时,ModelSchema 是一个非常方便的工具,它可以帮助我们快速地将 Django 模型转换为 Pydantic 模型。然而,在处理模型关联关系时,特别是在异步视图环境下,开发者可能会遇到一些棘手的问题。
常见问题场景
当我们需要在 ModelSchema 中包含关联模型的数据时,通常会使用 resolve_* 方法来定义。例如,Country 模型有一个到 News 模型的反向关联,我们希望在序列化 Country 时包含其关联的 News 数据。
同步与异步的冲突
在 Django Ninja 的异步视图中直接使用 Django ORM 的同步查询方法(如 all()、order_by() 等)会导致 SynchronousOnlyOperation 错误。这是因为 Django ORM 的许多查询方法在设计上是同步的,而异步视图需要异步操作。
解决方案
方案一:使用同步解析方法
最简单的解决方案是将 resolve_news 方法标记为同步方法:
class CountryRead(ModelSchema):
news: list[NewsRead]
class Config:
model = Country
model_fields = ["id", "name", "created", "modified"]
@staticmethod
def resolve_news(obj):
return list(obj.news.all().order_by("-datetime"))
注意这里使用了 list() 强制立即执行查询,避免惰性查询在异步上下文中执行。
方案二:预取关联数据
更优雅的解决方案是在视图层预先获取关联数据:
class CountryRead(ModelSchema):
news: list[NewsRead] = Field([], alias="prefetched_news")
class Config:
model = Country
model_fields = ["id", "name", "created", "modified"]
@api.get("/country/{id}", response=CountryRead)
async def get_country(request, id: int):
country = await aget_object_or_404(Country, id=id)
country.prefetched_news = [n async for n in country.news.all().order_by("-datetime")]
return country
这种方法有几个优点:
- 明确区分了同步和异步操作
- 可以在视图层控制查询的排序和限制
- 避免了在序列化过程中执行数据库查询
查询优化技巧
当需要限制返回的关联对象数量时,应该使用 Django ORM 的切片查询:
country.prefetched_news = [n async for n in country.news.all().order_by("-datetime")[:5]]
这样生成的 SQL 会包含 LIMIT 子句,比在 Python 中切片更高效。
总结
在 Django Ninja 中处理模型关联关系时,特别是在异步视图环境下,开发者需要注意以下几点:
- 避免在 Pydantic 的解析方法中直接使用 Django ORM 的同步查询
- 考虑在视图层预先获取关联数据
- 使用正确的查询方法优化数据库访问
- 明确区分同步和异步操作边界
通过合理的设计,可以既保持代码的简洁性,又确保性能最优。
登录后查看全文
热门项目推荐
相关项目推荐
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00
项目优选
收起
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
177
195
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++
647
263
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
270
93
暂无简介
Dart
623
140
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
378
3.33 K
React Native鸿蒙化仓库
JavaScript
242
315
🎉 (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
1.1 K
621
仓颉编译器源码及 cjdb 调试工具。
C++
126
856
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