trackteroid

Trackteroid

---

Deklarative, objektorientierte Wrapper für Ftrack-Abfragen. Leistungsstarke Interaktionen im funktionalen Stil mit resultierenden Sammlungen.

Trackteroid ist auf Ftrack und seine Python -API abhängig, eine Projektmanagement- und Produktions -Tracking -Software, die speziell für die Medien- und Unterhaltungsbranche entwickelt wurde. Es wird häufig in den Feldern von Film, Fernsehen, Animation, visuellen Effekten und Spielen verwendet.

Installation

Installieren und aktualisieren Sie mit PIP:

pip install trackteroid

Motivation

Wir haben beschlossen, eine API für die Frack Python -API um eine Verpackungs -API zu bauen, um mehrere Einschränkungen und Herausforderungen anzugehen, die bei der direkten Interaktion mit der Python -API auftreten. Während die Ftrack -Python -API viel Flexibilität bietet, gibt es bestimmte Aspekte, die Entwicklung und Wartung umweltfreundlicher und weniger intuitiver machen können. Durch die Schaffung einer Packing-API möchten wir diese Herausforderungen bewältigen und ein optimierteres und entwicklerfreundlicheres Erlebnis bieten. Hier sind die Hauptgründe für diese Entscheidung:

• Vereinfachung der Abfrage

  • Eine der Hauptherausforderungen bei der Ftrack Python-API ist die Anforderung, Abfragen als SQL-ähnliche Zeichenfolgen mit einer benutzerdefinierten Abfragesprache zu schreiben. Dieser Ansatz führt häufig zu komplexer String -Formatierung und kann schwer zu lesen, zu verstehen und zu debuggen. Dieses Projekt zielt darauf ab, die Abfragelogik zu vereinfachen, und bietet eine ausdruckswertere und intuitivere Abfrageschnittstelle. Auf diese Weise können Entwickler Abfragen unter Verwendung einer natürlicheren und lesbaren Syntax erstellen, was zu einer verbesserten Produktivität und reduzierten Fehlern führt.

• Optimierung der Abfrageleistung

  • Bei der Arbeit mit der Ftrack Python -API müssen Entwickler sicherstellen, dass sie effiziente Abfragen schreiben, um unnötige Datenbankanrufe zu minimieren und die Leistung zu optimieren. Dies erfordert eine sorgfältige Berücksichtigung der Datenabnahmelogik und das Verständnis der Leistungsauswirkungen verschiedener Abfragebonstände. Im Gegensatz dazu geht unsere API die Extrameile, indem sie versucht, die Leistungsabfragen automatisch zu optimieren. Durch die Nutzung verschiedener Optimierungstechniken möchten wir die Anzahl der Datenbankabfragen verringern, das Abrufen von Daten optimieren und die Gesamtsystemleistung verbessern. Dies lindert die Belastung für Entwickler, ihre Fragen manuell zu optimieren, sodass sie sich mehr auf den Aufbau von Merkmalen und Funktionen konzentrieren können.

• Abstracting -Datenbankschema -Komplexität

  • Das Erstellen von Abfragen mit der Ftrack -Python -API erfordert ein gutes Verständnis des zugrunde liegenden Datenbankschemas und -beziehungen. Dies kann ein Hindernis für Entwickler sein, die mit den Feinheiten des Ftrack -Datenmodells nicht vertraut sind. Wir wollen die Komplexität des Datenbankschemas abstrahieren und eine höhere Schnittstelle bereitstellen, die Entwickler vor den Details schenkt. Dies vereinfacht den Entwicklungsprozess und ermöglicht es Entwicklern, sich auf die Funktionalität zu konzentrieren, die sie erstellen möchten, anstatt sich in den Feinheiten der Datenbankstruktur zu verlieren.

• Verbesserung der resultierenden Sammlungen

  • Die von der Ftrack Python API zurückgegebenen Sammlungen, nachdem Abfragen ausgeführt wurden, sind möglicherweise nicht immer bequem genug, um direkt mit ihnen zu interagieren. Möglicherweise fehlen ihnen bestimmte Methoden oder Eigenschaften, die Datenmanipulation und Verarbeitung effizienter machen. Wir können die resultierenden Sammlungen mit zusätzlichen Funktionen und Nutzmethoden anreichern, die auf die spezifischen Anforderungen unserer Anwendung zugeschnitten sind. Dies verbessert das Entwicklererlebnis, indem sie bequemere und intuitivere Möglichkeiten zur Arbeit mit den abgerufenen Daten bieten und letztendlich die Produktivität und die Wartbarkeit des Codes verbessern.

• Verbesserte Feldzugrunde

  • Die Ftrack Python -API enthält nicht immer die verfügbaren Felder zu Entitäten direkt und verpflichtet Entwickler, sich auf die Dokumentation zu beziehen oder das Schema zu überprüfen, um die verfügbaren Eigenschaften zu bestimmen. Wir unternehmen Schritte, um die Zugänglichkeit der Feld in gewissem Maße zu verbessern. Wir wollen den Entwicklern eine intuitivere und auffindungsfähigere Möglichkeit bieten, auf Entitätsfelder zuzugreifen, indem wir sie direkt über die API freilegen. Dies spart den Entwicklern Zeit und Mühe, indem es die Notwendigkeit einer ständigen Referenzierung der Dokumentation oder der Inspektion des zugrunde liegenden Schemas beseitigt. Es verbessert die Produktivitäts- und Code -Wartbarkeit, indem Unternehmen im Entwicklungsworkflow zugänglich und auffindbarer werden.

In summary Trackeroid versucht Entwickler zu stärken, indem er eine intuitivere und effizientere Möglichkeit bietet, mit der FTRACK -Plattform zu interagieren, letztendlich die Entwicklung zu beschleunigen, die Codequalität zu verbessern und das gesamte Benutzererlebnis zu verbessern.

Vergleich

Mit Trackteroid ...

 # Calculate and display the total time duration logged for 
# AssetBuild types within specified Shots and Folders.
#
# output:
# Found 9 assetbuilds.
# Found 1 assetbuilds with timelogs.
# {16.0: ['Drone Craft'],
#  'No time tracked yet.': ['Drawer Cabinet 01',
#                           'Gothic Commode 01',
#                           'Shelf 01',
#                           'Side Table 01',
#                           'Small Wooden Table 01',
#                           'Vintage Wooden Drawer 01',
#                           'Wooden Table 01',
#                           'Wooden Table 02']}
  
from pprint import pprint

from trackteroid import (
    Query ,
    AssetBuild ,
    Folder ,
    Task ,
    Project
)

assetbuild_collection = Query ( AssetBuild ).
    by_name ( Project , "sync" , "showroom" ).
    by_name ( Folder , "Asset%" , "Delivery 3" ).
    get_all (
        projections = [
            Task . Timelog ,
            Task . Timelog . duration
        ]
    )

print (
    f"Found { len ( assetbuild_collection ) } assets. n "
    f"Found { assetbuild_collection . count ( lambda ac : ac . Task . Timelog ) } assetbuilds with timelogs."
)

pprint (
    assetbuild_collection . group_and_map (
        lambda abc : abc . Task . Timelog . fold (
            0 ,
            lambda current , tc : current + tc . duration [ 0 ] / 3600
        ) or "No time tracked yet." ,
        lambda abc : abc . sort (
            lambda abc : abc . name
        ). name
    )
)

... im Gegensatz zur Ftrack Python -API .

 # Calculate and display the total time duration logged for 
# AssetBuild types within specified Shots and Folders.
#
# output:
# Found 9 assetbuilds.
# Found 1 assetbuilds with timelogs.
# {16.0: ['Drone Craft'],
#  'No time tracked yet.': ['Drawer Cabinet 01',
#                           'Gothic Commode 01',
#                           'Shelf 01',
#                           'Side Table 01',
#                           'Small Wooden Table 01',
#                           'Vintage Wooden Drawer 01',
#                           'Wooden Table 01',
#                           'Wooden Table 02']}

from pprint import pprint

import ftrack_api

session = ftrack_api . Session ( auto_connect_event_hub = False , auto_populate = False )
project_names = ( "sync" , "showroom" )
folder_specific = "Delivery 3"
folder_unspecific = "Asset%"

query = (
    f"select id, name, assets.name, parent.name, project.name, "
    f"assets.versions.task.timelogs, assets.versions.task.timelogs.duration "
    f"from AssetBuild where project has (name in { project_names } ) "
    f"and parent[Folder] has (name is ' { folder_specific } ' or name like ' { folder_unspecific } ')"
)

assetbuilds_no_duration = [ "No time tracked yet." , []]
assetbuilds_timelog_duration = [ 0 , []]

assetbuilds = session . query ( query ). all ()

for assetbuild in assetbuilds :
    has_duration = False
    for asset in assetbuild [ "assets" ]:
        for version in asset [ "versions" ]:
            durations = [ _ [ "duration" ] for _ in version [ "task" ][ "timelogs" ]]
            if any ( durations ):
                for duration in durations :
                    assetbuilds_timelog_duration [ 0 ] += duration / 3600
                if not has_duration :
                    has_duration = True

    if has_duration :
        assetbuilds_timelog_duration [ 1 ]. append ( assetbuild [ "name" ])
    else :
        assetbuilds_no_duration [ 1 ]. append ( assetbuild [ "name" ])

print (
    f"Found { len ( assetbuilds ) } assetbuilds. n "
    f"Found { len ( assetbuilds_timelog_duration [ 1 ]) } assetbuilds with timelogs."
)

assetbuilds_no_duration [ 1 ]. sort ()
assetbuilds_timelog_duration [ 1 ]. sort ()

pprint (
    dict (
        [ assetbuilds_no_duration , assetbuilds_timelog_duration ]
    )
)

Verwendung

In der neuesten Dokumentation finden Sie Nutzungsdetails.