Hé! Mint szűrő lombik beszállítója, első kézből láttam, mennyire fontos a Flask alkalmazás adatbázis -lekérdezéseinek szűrése az indexelés alapján. Ez az alkalmazás gyorsabban és hatékonyabban futhat, időt és erőforrásokat takaríthat meg. Ebben a blogbejegyzésben megosztom néhány tippet arra, hogyan kell ezt megtenni.
Először beszéljünk arról, hogy mi az indexelés. Az indexelés olyan, mint az adatbázis ütemterve. Segít az adatbázisban gyorsan megtalálni a keresett adatokat, ahelyett, hogy minden sorban át kell keresnie. Amikor egy indexet hoz létre az adatbázis táblázat egy oszlopán, az adatbázis létrehoz egy külön adatszerkezetet, amely az oszlopban szereplő értékeket tárolja a táblázat tényleges soraihoz. Ilyen módon, amikor az adatbázist az oszlop segítségével lekérdezi, az index segítségével gyorsan megtalálhatja a vonatkozó sorokat.
Most lépjünk be a Flask Application adatbázis -lekérdezéseinek szűrésére az indexelés alapján. Az első lépés az adatbázis táblák oszlopainak azonosítása, amelyeket gyakran használnak a lekérdezésekben. Ezeket az oszlopokat kell fontolóra vennie az indexelést. Például, ha van felhasználói táblája, és gyakran lekérdezi az adatbázist, hogy a felhasználókat e -mail címük alapján keresse meg, akkor létrehoznia kell egy indexet az e -mail oszlopban.
A lombikban, ha az Sqlalchemy -t az adatbázis -ORM -ként (Object Relational Mapper) használja, akkor az index létrehozása meglehetősen egyértelmű. Íme egy példa arra, hogy miként hozhat létre egy indexet egy oszlopon egy SQLalchemy modellben:
Flask_sqlalchemy Import sqlalchemy db = sqlalchemy () class felhasználó (db.model): id = db.column (db.integer, primer_key = true) e -mail = db.column (db.string (120), egyedi = true = db.column (db.string (80) __ db.index ('idx_user_email', 'e -mail'),)Ebben a példában létrehozunk egy nevű indexetidx_user_emailaemailaFelhasználótáblázat. Miután létrehozta az indexet, elkezdheti használni a lekérdezéseiben.
Az adatbázis lekérdezésekor győződjön meg arról, hogy az indexált oszlopokat használja aAHOLzáradékok. Például, ahelyett, hogy minden felhasználó számára lekérdezne, majd a Python -ban szűrje őket, az indexet közvetlenül a szükséges felhasználók számára kell megkérdeznie. Íme egy példa:
user = user.query.filter_by (e -mail='example@example.com '). Első ()Ez a lekérdezés az indexet fogja használni aemailoszlop, hogy gyorsan megtalálja a felhasználót a megadott e -mail címmel.
Egy másik dolog, amelyet szem előtt kell tartani, az, hogy míg az indexelés javíthatja a lekérdezések teljesítményét, van néhány hátránya is. Az indexek további lemezterületet vesznek fel, és lelassíthatják az írási műveleteket (például betétek, frissítések és törlések), mivel az adatbázisnak frissítenie kell az indexet, amikor az indexelt oszlopban szereplő adatok. Tehát vigyáznia kell arra, hogy melyik oszlopot indexeli. Csak a lekérdezésekben gyakran használt oszlopok indexelése.
Most beszéljünk néhány fejlett indexelési technikáról. Az egyik technika a kompozit indexek használata. A kompozit index egy olyan index, amely több oszlopot átfogó. Például, ha gyakran lekérdezi az adatbázist, hogy a felhasználókat keresztnév és vezetéknévük szerint találja meg, létrehozhat egy kompozit indexet mind aFirst_Nameéslast_nameoszlopok. Így lehet ezt megtenni az Sqlalchemy -ben:
Osztályfelhasználó (db.model): id = db.column (db.integer, primer_key = true) first_name = db.column (db.string (80)) last_name = db.column (db.string (80)) e -mail = db.column (db.string), egyedi = true) __table_args__ = (db.String) db.index ('idx_user_name', 'first_name', 'last_name'),)Kompozit index segítségével az adatbázis az index segítségével gyorsan megtalálja a felhasználókat mind a keresztnév, mind a vezetéknév alapján.
Egy másik fejlett technika a részleges indexek használata. A részleges index olyan index, amely csak a sorok egy részét tartalmazza a táblázatban. Például, ha van felhasználói táblája, és csak az aktív felhasználók indexelését szeretné indexelni, akkor létrehozhat egy részleges indexet aaktívoszlop. Íme egy példa:
class User(db.Model): id = db.Column(db.Integer, primary_key=True) email = db.Column(db.String(120), unique=True) active = db.Column(db.Boolean, default=False) __table_args__ = ( db.Index('idx_user_active', 'email', posztgresql_where = user.active == true),)Ebben a példában az index csak a sorokat tartalmazza, ahol aaktívoszlopIgaz- Ez megtakaríthatja a lemezterületet és javíthatja a lekérdezések teljesítményét.
Ha a laboratóriumi magas színvonalú szűrési lombikok piacán van, akkor nagyszerű lehetőségeink vannak az Ön számára. Nézze meg aLaboratóriumi átlátszó üvegszűrő lombikok felső tubulációvalésLaboratóriumi üvegkúp alakú Erlenmeyer szűrő lombikok felső tubulációval- Ezek a lombikok magas minőségű üvegből készülnek, és úgy tervezték, hogy kielégítsék a szűrési igényeket.
Összegezve, a Flask alkalmazás szűrése az indexelésen alapuló adatbázis -lekérdezések nagyszerű módja annak, hogy javítsák az alkalmazás teljesítményét. Az oszlopok azonosításával, amelyeket gyakran használnak a lekérdezésekben, megfelelő indexek létrehozásával és az indexek felhasználásával a lekérdezésekben, az alkalmazás gyorsabban és hatékonyabbá teheti. Ha bármilyen kérdése van a Flask alkalmazás adatbázis -lekérdezései szűrésével kapcsolatban, vagy ha érdekli a szűrő lombikok megvásárlása, ne habozzon, hogy felvegye a beszerzési vitát. Azért vagyunk itt, hogy segítsünk abban, hogy a lehető legtöbbet hozza ki az adatbázisból és a laboratóriumi berendezésekből.
Referenciák
- SQLalchemy dokumentáció
- Lombik dokumentáció