Python工具箱系列(三十四)

Posted shanxihualu

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了Python工具箱系列(三十四)相关的知识，希望对你有一定的参考价值。

SQLAlchemy是著名的ORM(Object Relational Mapping-对象关系映射)框架。其主要作用是在编程中，把面向对象的概念跟数据库中表的概念对应起来。对许多语言（例如JAVA/PYTHON）来说就是定义一个对象，并且这个对象对应着一张数据库的表。而这个对象的实例，就对应着表中的一条记录。

SQLAlchemy是著名的ORM(Object Relational Mapping-对象关系映射)框架。其主要作用是在编程中，把面向对象的概念跟数据库中表的概念对应起来。对许多语言（例如JAVA/PYTHON）来说就是定义一个对象，并且这个对象对应着一张数据库的表。而这个对象的实例，就对应着表中的一条记录。

其整体思路如下图所示：

其中类、对象与属性与数据库相关内容的对应关系如下图所示：

ORM的优点：

 

  • 数据模型与代码统一定义，更新与维护简单，代码高度重用一致。

  • ORM有现成的工具，很多功能都可以自动完成，比如表格增删、预处理、事务等。

  • 基于ORM的业务代码比较简单，代码量少，语义性好，容易理解。

  • 你不必编写性能不佳的SQL。

ORM的缺点：

 

  • ORM库多层封装，实现巧妙，需要花很多精力学习和设置。

  • 对于复杂的查询，ORM要么是无法表达，要么是性能不如原生的SQL。

  • ORM抽象掉了数据库层，开发者无法了解底层的数据库操作，也无法定制一些特殊的SQL。

 

 

 从整体上看，ORM节省了开发时间，减少了代码错误的可能性，同时能够方便地在多个数据库间灵活迁移，还是非常值得使用。而在python语言中，SQLAlchemy是著名的ORM框架之一，它的整体架构如下图所示：

从图中可以看出，SQLAIchemy是分层架构，由Core以及ORM两部分组成。其中，Core完成了与数据库操作的各类封闭，是相对低层的。而ORM层则利用Core层的能力进行更宏观的操作。因此，在一段python代码中,使用Core与ORM层同时来操作数据库也是可行的，并不矛盾与冲突。

下面先从最基本的表格创建做起。非ORM编程中，表格的创建无非两个途径：

●基于DBMS本身提供的CLI/GUI界面，发出DDL语句进行数据库/表格本身的增删改查。

●使用语言连接数据库后，发出命令来对数据库/表格进行增删改查。

而由于每种数据库都有自己的方言，所以命令语句各有差异，需要不断地调整。而使用SQLAlchemy则实现了代码统一。例如以下代码在mssql以及mysql上创建表格，并且可以查询表格的元数据，以及插入数据后的查询。

from sqlalchemy import (Column, Integer, MetaData, String, Table,
                        create_engine, text, Float, DateTime, ForeignKey)
from sqlalchemy_utils.functions import create_database, database_exists

configure_pg = "user": "postgres",
                \'password\': \'88488848\',
                \'dns\': \'dbserver.home\',
                "port": 5432,
                \'prefix\': \'postgresql+psycopg2\',
                \'postfix\': \'\'
                

configure_mssql = "user": "sa",
                   \'password\': \'88488848\',
                   \'dns\': \'dbserver.home\',
                   "port": 1433,
                   \'prefix\': \'mssql+pymssql\',
                   \'postfix\': \'?charset=utf8\'
                   

configure_mysql = "user": "root",
                   \'password\': \'88488848\',
                   \'dns\': \'dbserver.home\',
                   "port": 3306,
                   \'prefix\': \'mysql+mysqlconnector\',
                   \'postfix\': \'\'
                   

config = \'mssql\': configure_mssql,
          \'mysql\': configure_mysql, \'postgresql\': configure_pg

database_name = \'testdb\'
table_sensor_location = "sensor_location"
table_sensor_data = "sensor_data"


def linkdb(targetstr):
    """
    连接不同的数据库

    Args:
        targetstr (string): 数据库名称

    Returns:
        engine: 用于后续的数据库连接
    """
    if targetstr in config.keys():
        item = config[targetstr]
        connectstring = f"item[\'prefix\']://item[\'user\']:item[\'password\']@item[\'dns\']:item[\'port\']/database_nameitem[\'postfix\']"
        engine = create_engine(connectstring, echo=True, future=True)

    # 如果数据库不存在，则创建之
    if not database_exists(engine.url):
        create_database(engine.url)

    # 做一个测试，不针对任何表
    with engine.connect() as conn:
        result = conn.execute(text("select \'hello world\'"))
        print(result.all())
    return engine


def createtbs(connector):
    """"
    创建数据库中的2张表。用于保存传感器数据与传感器本身的信息
    """
    metadata_obj = MetaData()

    # 描述传感器的表
    sensor_location_tb = Table(
        table_sensor_location,
        metadata_obj,
        Column(\'id\', Integer, primary_key=True, autoincrement=False),
        Column(\'location\', String(30), nullable=False)
    )

    # 保存传感器数据的表
    sensor_data_tb = Table(
        table_sensor_data,
        metadata_obj,
        Column(\'id\', Integer, primary_key=True, autoincrement=False),
        Column(\'sensor_id\', ForeignKey(
            f\'table_sensor_location.id\'), nullable=False),
        Column(\'area\', String(30)),
        Column(\'pm25\', Float),
        Column(\'timestamp\', DateTime)
    )
    print(sensor_data_tb.compile())

    # 创建并返回表
    metadata_obj.create_all(connector)
    return sensor_data_tb, sensor_location_tb


def tableinfo(connector, tablename):
    """
    获得指定表名的相关元数据信息

    Args:
        connector (engine): 数据库连接器
        tablename (string): 要查询的表名
    """
    metadata_obj = MetaData()
    some_table = Table(tablename, metadata_obj, autoload_with=connector)
    print([c.name for c in some_table.columns])


def gensonsorinfo(connector):
    with connector.connect() as conn:
        conn.execute(text(f"INSERT INTO table_sensor_location (id, location) VALUES (:x, :y)"),
                     ["x": 1, "y": \'1号楼\', "x": 2, "y": \'2号楼\'])

        conn.commit()

        result = conn.execute(
            text(f"SELECT id, location FROM table_sensor_location"))
        for x, y in result:
            print(f"id: x  location: y")


# 依次连接多个数据库。从而验证代码的一致性
for dbname in config.keys():
    con = linkdb(dbname)
    createtbs(con)
    tableinfo(con, table_sensor_data)
    tableinfo(con, table_sensor_location)
    gensonsorinfo(con)

从代码可以看出，可以用统一的访问方式来操作mssql/mysql/postgresql三种数据库。而且，以上方式与前文中的基于游标的写法类似。

 

《dig挖出DNS的秘密》-linux命令五分钟系列之三十四

【初次见面】

我相信使用nslookup的同学一定比使用dig的同学多，所以还是有必要花些时间给大家介绍一下dig的。

dig，和nslookup作用有些类似，都是DNS查询工具。

dig，其实是一个缩写，即Domain Information Groper。

一些专业的DNS管理员在追查DNS问题时，都乐于使用dig命令，是看中了dig设置灵活、输出清晰、功能强大的特点。

【最简单的dig用法】

最简单的dig用法，当然就是直接输入dig按回车。


(c)2006-2024 SYSTEM All Rights Reserved IT常识