Архив метки: SQLAlchemy

Сравнение Django и SQLAlchemy

По мере того, как со временем развивается и совершенствуется все больше и больше технологий, количество пользователей, получающих доступ в Интернет, растет еще больше, и в результате объем данных, с которыми приходится иметь дело предприятиям и организациям, растет в геометрической прогрессии. Чтобы компания была успешной, ей нужны инструменты и инфраструктура, которые могут легко работать с этими большими наборами данных. Именно здесь появляется база данных, которая в основном предназначена для хранения и сбора данных. Более того, его организованная форма позволяет пользователям легко управлять набором данных и получать к нему доступ. Сами базы данных требуют системы управления, которая позволяет им хранить и предоставлять доступ к данным. В основном язык SQL используется для выполнения операций в базе данных, однако по мере роста и усложнения вашего приложения,

Альтернативой этому была разработана структура ORM (объектно-реляционное сопоставление), которая фактически создает мост между базой данных и языком программирования, который вы предпочитаете использовать при создании своего приложения. В этой статье мы рассмотрим и сравним плюсы и минусы двух наиболее популярных и широко используемых ORM, Django и SQLAlchemy.

 

Django против SQLAlchemy

Оба ORM — Django и SQLAlchemy — два самых популярных инструмента реляционного сопоставления на основе Python, и каждый из них имеет свои собственные уникальные преимущества. Давайте теперь перекрестно исследуем и рассмотрим оба их различия бок о бок.

 

1) Реализация уровня доступа к данным

Django использует так называемую реализацию активной записи, в которой один экземпляр объекта сопоставляется с каждой строкой базы данных, и данные легко доступны из базы данных. Здесь нет необходимости заранее настраивать схему базы данных, и они могут легко использоваться пользователями, поскольку основная идея в Django заключается в том, что он может понять структуру напрямую, просто взглянув на схему базы данных. В дополнение к этому, поскольку это прямое сопоставление между базой данных и объектом, любое изменение объекта также будет обновлено в базе данных.

SQLAlchemey использует реализацию Data Mapper, которая действует как средний уровень между вашим приложением и базой данных и передает данные между ними, сохраняя при этом их соединение независимо друг от друга. Это обеспечивает большую гибкость между двумя уровнями, а также более эффективное использование базы данных.

 

2) Лучше со сложными запросами

И Django, и SQLAlchemy — два отличных ORM, которые предоставляют одни из лучших функций, которые вы можете найти в инструментах реляционного сопоставления. С точки зрения обработки сложных запросов SQLAlchemy имеет преимущество, поскольку он намного лучше взаимодействует с базой данных и, как результат, его можно использовать для написания сложных запросов без необходимости возвращаться к необработанному SQL. Чтобы понять эту концепцию, давайте взглянем на следующие запросы, написанные как на Django, так и на SQLAlchemy.

Django:

Football.objects.filter(team__name="Manchester United")

SQLAlchemy:

SQLAlchemy: session.query(Football).join(Football, Team).filter(Team.name=="Kamma Sing")

 

Как видно из синтаксиса двух ORM, Django выглядит более абстрактным в своем запросе и показывает только установленное соединение между различными таблицами базы данных, в то время как SQLAlchemy идет гораздо глубже. Это различие между ними показывает, что Django гораздо более ленив и эффективнее справляется со сложными запросами.

 

3) Поддержка сообществ и баз данных

И Django, и SQLAlchemy являются чрезвычайно популярными фреймворками для реляционного сопоставления, и они поддерживаются некоторыми чрезвычайно удивительными сообществами. Последний, однако, превосходит это, поскольку имеет гораздо большее сообщество вместе с совершенно потрясающей документацией, которая свидетельствует о том, что члены сообщества вкладывают в это свое время. Даже если вы столкнетесь с какой-либо проблемой, вы можете легко опубликовать сообщение на StackOverflow или других форумах, и там найдется большое количество людей, желающих вам помочь.

Наряду с этим и Django, и SQLAlchemy поддерживают большой набор баз данных, таких как MySQL, PostgreSQL, Oracle и SQLite. Для пользователей, которые уже используют Microsoft SQL или планируют это сделать, SQLAlchemy снова является ответом, поскольку MSSQL обеспечивает его полную поддержку.

В целом, у обоих есть отличные сообщества и поддержка множества баз данных, что является хорошим признаком огромного качества, которым обладает каждая из них.

 

4) Приложения

Django был разработан в основном для веб-приложений, и именно там он работает лучше всего, поскольку имеет множество встроенных инструментов, таких как интеграция форм, предварительная проверка и т. Д .; все они чрезвычайно полезны для веб-приложений. В дополнение к этому, если вам просто требуются базовые запросы, тогда Django будет работать довольно хорошо, поскольку его также намного легче изучить.

Однако, если ваши веб-приложения или фреймворки требуют немного более сложных запросов, то SQLAlchemy — это то, что вам нужно. В дополнение к этому, поскольку он напрямую взаимодействует с базой данных, вы можете просто запускать запросы к базе данных, фактически не используя ORM. Кроме того, SQLAlchemy намного мощнее, чем Django, хотя и требует немного большего обучения.

 

Вывод:

И Django, и SQLAlchemy являются чрезвычайно популярными инструментами объектно-реляционного сопоставления, имеют большие сообщества для их поддержки и используются в широком спектре приложений по всему миру. Какой из них вам больше подходит? Это в основном зависит от ваших требований и от того, где именно вы хотите их использовать. В общем, оба являются отличным выбором для использования в качестве вашей системы ORM.



2021-03-24T13:28:16
Базы данных

aiopg и SQLAlchemy

Выпустил новую версию aiopg 0.2 — библиотеки для работы с PostgreSQL из asyncio.

aiopg использует асинхронные вызовы и в этом похож на txpostgres и momoko — библиотеки для работы с PostgreSQL под twisted и tornado соответственно.

В новой версии aiopg появилась опциональная поддержка SQLAlchemy Core Expressions.

Проще один раз показать.

Создаем описание структуры базы данных:

import sqlalchemy as sa

metadata = sa.MetaData()

users = sa.Table('users', metadata,
                 sa.Column('id', sa.Integer, primary_key=True),
                 sa.Column('name', sa.String(255)),
                 sa.Column('birthday', sa.DateTime))

emails = sa.Table('emails', metadata,
                  sa.Column('id', sa.Integer, primary_key=True),
                  sa.Column('user_id', None, sa.ForeignKey('users.id')),
                  sa.Column('email', sa.String(255), nullable=False),
                  sa.Column('private', sa.Boolean, nullable=False))

Как видите — две таблицы, связанные отношением один-ко-многим. Для тех, кто не знаком — алхимия позволяет описать любую модель данных, которая только может прийти в голову. Индексы, constraints, пользовательские типы данных такие как array и hstore — тоже.

Теперь нужно сделать engine:

from aiopg.sa import create_engine

engine = yield from create_engine(user='aiopg',
                                  database='aiopg',
                                  host='127.0.0.1',
                                  password='passwd')

engine содержит внутри connection pool.

Для работы с БД нужно получить connection и что-нибудь выполнить:

with (yield from engine) as conn:
    uid = yield from conn.scalar(
        users.insert().values(name='Andrew', birthday=datetime(1978, 12, 9)))

Обратите внимание: диалект знает о INSERT ... RETURNING и позвращает primary key для вставляемой записи.

Работа с транзакциями:

with (yield from engine) as conn:
    tr = yield from conn.begin()

    # Do something

    yield from tr.commit()

Получение данных:

with (yield from engine) as conn:
    res = yield from conn.execute(users.select())
    for row in res:
        print(res)

Сложный запрос:

with (yield from engine) as conn:
    join = sa.join(emails, users, users.c.id == emails.c.user_id)
    query = (sa.select([users.c.name])
             .select_from(join)
             .where(emails.c.private == 0)
             .group_by(users.c.name)
             .having(sa.func.count(emails.c.private) > 0))

    print("Users with public emails:")
    ret = yield from conn.execute(query)
    for row in ret:
        print(row.name)

Вызов SQL функций:

with (yield from engine) as conn:
    query = (sa.select([sa.func.avg(sa.func.age(users.c.birthday))])
             .select_from(users))
    ave = (yield from conn.scalar(query))
    print("Average age of population is", ave,
          "or ~", int(ave.days / 365), "years")

sa.func.avg и sa.func.age выполняются на стороне SQL сервера.

Полный код примера здесь, документация здесь.

Автор: Andrew Svetlov