Trucker 使用与技术文档
本文档将详细介绍如何使用 Trucker 项目迁移遗留数据到 Rails 应用程序。以下是安装指南、项目使用说明、项目 API 使用文档以及安装方式的详细说明。
1. 安装指南
首先,确保你已经安装了以下环境:
- Ruby
- Rails
以下为 Trucker 的安装步骤:
-
安装 Trucker gem
sudo gem install trucker -
在
environment.rb的config.gem块中添加 Truckerconfig.gem "trucker" -
生成基本的 Trucker 文件
script/generate truck这将执行以下操作:
- 将遗留适配器添加到
database.yml - 在
app/models/legacy添加目录 - 将
app/models/legacy添加到 Rails Initializer 配置块的autoload_paths - 添加
app/models/legacy/legacy_base.rb(遗留模型将从该文件继承) - 为所有现有模型生成遗留子类
- 生成示例迁移任务(使用复数形式的模型名称)
- 将遗留适配器添加到
-
在
database.yml中更新遗留数据库适配器,填入你的遗留数据库信息legacy: adapter: mysql encoding: utf8 database: app_legacy username: root password:按照约定,建议将你的遗留数据库命名为
APP_legacy,类似于你的其他数据库,如APP_development、APP_production等。 -
如果遗留数据库不存在,创建它
rake db:create:all -
将遗留数据导入遗留数据库
mysql -u root app_legacy < old_database.sql如果不是使用 mysql,需要相应地更改此命令。
-
为每个遗留模型自定义表名
class LegacyPost < LegacyBase self.table_name = "LEGACY_TABLE_NAME_GOES_HERE" end由于你从旧数据库迁移数据,表名可能不符合 Rails 的数据库表名约定。如果如此,你需要为每个遗留模型设置
self.table_name =值,以匹配你将从中导入数据的表名。 -
更新遗留模型字段映射
class LegacyPost < LegacyBase self.table_name = "LEGACY_TABLE_NAME_GOES_HERE" def map { :headline => self.title.squish, :body => self.long_text.squish } end end在这里,你将旧数据库的属性与新模型的属性连接起来。
map方法实际上只是一个哈希,使用新模型属性名作为键,旧模型属性作为值。注意:确保为每个旧属性名称添加
self.。 -
如果需要调整一些数据,可以添加一些核心 Ruby 方法或辅助方法
class LegacyPost < LegacyBase self.table_name = "LEGACY_TABLE_NAME_GOES_HERE" def map { :headline => self.title.squish.capitalize, # 添加 capitalize 方法 :body => tweak_body(self.long_text.squish) # 添加 tweak_body 方法 } end # 按需插入辅助方法 def tweak_body(body) body = body.gsub(/<br \//,"\n") # 将 break 标签转换为正常行中断 body = body.gsub(/teh/, "the") # 修复常见拼写错误 end end -
开始迁移
rake db:migrate:posts
2. 项目的使用说明
以下是 Trucker 项目的使用说明:
- 使用 Trucker 迁移遗留数据到 Rails 应用程序。
- Trucker 会生成遗留模型和迁移任务,便于你自定义字段映射和数据迁移。
3. 项目 API 使用文档
Trucker 提供了一些命令行选项,用于在迁移记录时使用:
rake db:migrate:posts limit=100(迁移 100 条记录)rake db:migrate:posts limit=100 offset=100(迁移 100 条记录,但跳过前 100 条记录)
此外,你可以使用 :label 选项自定义迁移输出的标签:
rake db:migrate:posts输出Migrating postsrake db:migrate:posts, :label => "blog posts"输出Migrating blog posts
如果需要为模型执行复杂的迁移,可以使用自定义辅助方法覆盖 Trucker 的默认迁移方法。具体实现方式见下文。
4. 项目安装方式
请参考上述“安装指南”部分的步骤进行安装。
以上是 Trucker 项目的详细技术文档,希望对你有所帮助。
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