[
  {
    "id": 1,
    "post": "v2ex",
    "author": {
      "name": "tangkikodo",
      "id": 1
    }
  },
  {
    "id": 2,
    "post": "v3ex",
    "author": {
      "name": "tangkikodo2",
      "id": 1
    }
  }
]

然而需求總是會變化，突然來了一個(gè)新的且奇怪的需求，要在 author 信息中添加數(shù)據(jù)，顯示他最近瀏覽過的帖子。返回體變成了：

[
  {
    "id": 1,
    "post": "v2ex",
    "author": {
      "name": "tangkikodo",
      "recent_views": [
        {
          "id": 2,
          "post": "v3ex"
        },
        {
          "id": 3,
          "post": "v4ex"
        }
      ]
    }
  }
]

那這個(gè)時(shí)候該怎么弄呢？血壓是不是有點(diǎn)上來了。

根據(jù)之前的方法 2, 通常的操作是在獲取到authors信息后, 關(guān)聯(lián)查找author的recent_posts, 拼接回authors, 再將 authors 拼接回posts。流程類似層層查找再層層回拼。偽代碼類似：

# posts query
posts = query_all_posts()
# authors query
authors_ids = fetch_unique_author_id(posts)  
authors = query_author(author_ids)
recent_view_posts = fetch_recent_review_posts(author_ids)  # 新需求
recent_view_maps = calc_view_mapping(recent_view_posts)    # 新需求
# authors attach
authors = [attach_posts(a, recent_view_maps) for a in authors]
author_map = calc_author_mapping(authors)
# posts attach
posts = [attach_author(p, author_map) for p in posts]

莫名的會聯(lián)想到callback hell, 添加新的層級都會在代碼中間部分切入。

反正想想就挺麻煩的對吧。要是哪天再嵌套一層呢? 代碼改起來有點(diǎn)費(fèi)勁, 如果你此時(shí)血壓有點(diǎn)高，那請繼續(xù)往下看。

那，有別的辦法么？這里有個(gè)小輪子也許能幫忙。

解決方法

祭出一個(gè)小輪子： allmonday/pydantic-resolve

以剛才的例子，要做的事情抽象成兩部分:

定義 dataloader ，負(fù)責(zé)查詢和group數(shù)據(jù)。前半部分是從數(shù)據(jù)庫查詢，后半部分是將數(shù)據(jù)轉(zhuǎn)成 pydantic 對象后返回。偽代碼，看個(gè)大概意思就好。

class AuthorLoader(DataLoader):
    async def batch_load_fn(self, author_ids):
        async with async_session() as session:
            # query authors
            res = await session.execute(select(Author).where(Author.id.in_(author_ids)))
            rows = res.scalars().all()
            # transform into pydantic object
            dct = defaultdict(dict)
            for row in rows:
                dct[row.author_id] = AuthorSchema.from_orm(row)
            # order by author_id
            return [dct.get(k, None) for k in author_ids]
class RecentViewPostLoader(DataLoader):
    async def batch_load_fn(self, view_ids):
        async with async_session() as session:
            res = await session.execute(select(Post, PostVisit.visitor_id)  # join 瀏覽中間表
                .join(PostVist, PostVisit.post_id == Post.id)
                .where(PostVisit.user_id.in_(view_ids)
                .where(PostVisit.created_at &lt; some_timestamp)))
            rows = res.scalars().all()
            dct = defaultdict(list)
            for row in rows:
                dct[row.visitor_id].append(PostSchema.from_orm(row))  # group 到 visitor
            return [dct.get(k, []) for k in view_ids]

定義 schema, 并且注入依賴的 DataLoaders, LoaderDepend 會管理好loader 的異步上下文緩存。

class RecentPostSchema(BaseModel):
    id: int
    name: str
    class Config:
        orm_mode = True
class AuthorSchema(BaseModel):
    id: int
    name: str
    img_url: str
    recent_views: Tuple[RecentPostSchema, ...] = tuple()
    def resolve_recent_views(self, loader=LoaderDepend(RecentViewPostLoader)):  
        return loader.load(self.id)
    class Config:
        orm_mode = True
class PostSchema(BaseModel):
    id: int
    author_id: int
    name: str
    author: Optional[AuthorSchema] = None
    def resolve_author(self, loader=LoaderDepend(AuthorLoader)):
         return loader.load(self.author_id)
    class Config:
        orm_mode = True

然后呢？

然后就沒有了，接下來只要做個(gè) post 的查詢, 再簡單地...resolve 一下，任務(wù)就完成了。

posts = (await session.execute(select(Post))).scalars().all()
posts = [PostSchema.from_orm(p) for p in posts]
results = await Resolver().resolve(posts)

在拆分了 loader 和 schema 之后，對數(shù)據(jù)地任意操作都很簡單，添加任意新的schema 都不會破壞原有的代碼。

完整的案例可以查看 6_sqlalchemy_loaderdepend_global_filter.py

如果之前使用過aiodataloader 的話會知道，開發(fā)需要手動(dòng)維護(hù)loader在每個(gè)request 中的初始化過程，但在 pydantic-resolve 中你完全不用操心異步上下文的創(chuàng)建，不用維護(hù)DataLoader的實(shí)例化, 一切都在pydantic-resolve的管理之中。

就完事了。如果必須說有啥缺點(diǎn)的話。。必須用 async await 可能算一個(gè)。

該項(xiàng)目已經(jīng)在我司的生產(chǎn)環(huán)境中使用，并且保持了100%的測試覆蓋率。歡迎大家嘗鮮體驗(yàn)，如果遇到問題歡迎發(fā)issue，我會盡快修復(fù)。

以上就是pydantic resolve解決嵌套數(shù)據(jù)結(jié)構(gòu)生成痛點(diǎn)分析的詳細(xì)內(nèi)容，更多關(guān)于pydantic resolve嵌套數(shù)據(jù)結(jié)構(gòu)的資料請關(guān)注腳本之家其它相關(guān)文章！

您可能感興趣的文章: