Descargar smort query - Descargar el código fuente de smort query

Consulta smort

Implementación de consultas evaluadas perezosas para la búsqueda a través de objetos de Python inspirados en Django Querysets.

Github: https://github.com/matiuszka/smort-Query
Pypi: https://pypi.org/project/smort-Query

Razón fundamental

En muchos momentos de nuestras tareas de programación, tenemos que filtrar Iterables en busca de los objetos correctos en el orden correcto. Me di cuenta de que la mayor parte del código de tiempo se ve casi igual, pero ¿qué tipo de interfaz será más fácil de usar? En ese momento descubrí que la implementación de Django Querysets es un poco útil y bien conocida.

Así que decidí escribir un motor de consulta pequeño que la interfaz será similar a Django One. Pero funcionará para los objetos de Python. Supusión adicional era que será perezoso evaluado para evitar el consumo de memoria.

Formato de búsqueda

Complés de idea completa en el formato de nombres de Palabras clave. Consideremos seguir a Qualname attr1.attr2 que podemos usar o establecer valor para el atributo. Este motor hace las cosas de manera similar, pero en lugar de separarse por Dot ( . ) Estamos separando por __ signos. Entonces, el ejemplo anterior se puede convertir en nombre del argumento de palabras clave como ese attr1__attr2 . Debido al hecho de que no podemos usar . en nombres de argumentos.

Para algunos métodos como filter and exclude , también podemos especificar el Comparador. Por defecto, esos métodos se comparan contra la igualdad == . Pero podemos cambiarlo fácilmente. Si queremos comparar usando <= podemos usar __le o __lte Postfix. Entonces terminaremos con el nombre de argumento como attr1__attr2__lt .

Todos los comparadores compatibles se describen aquí en la sección Comparadores admitidos.

Instalación

 pip install smort-query

Importador

 from smort_query import ObjectQuery
# or by alias
from smort_query import OQ

¿Cómo funciona?

Lo esencial

Cada método en ObjectQuery produce una nueva consulta. Lo que hace que el encadenamiento sea muy fácil. Lo más importante es que las instancias ObjectQuery no están evaluadas, significa que no están cargando un objetos a la memoria incluso cuando los estamos encadenando.

Los conjuntos de consultas se pueden evaluar de varias maneras:

Iteración:

 query = ObjectQuery ( range ( 5 ))

for obj in query :
    print ( obj )

"""out:
1
2
3
4
5
"""

Longitud de verificación:

 query = ObjectQuery ( range ( 10 ))

len ( query )
"""out:
10
"""

Invertir la consulta:

 query = ObjectQuery ( range ( 10 ))

query . reverse ()
"""out:
<ObjectQuery for <reversed object at 0x04E8B460>>
"""

list ( list ( query . reverse ()))
"""out
[9, 8, 7, 6, 5, 4, 3, 2, 1, 0]
"""

Obtener artículos:

Obtener por índice evalúa la consulta:

 query = ObjectQuery ( range ( 10 ))
query [ 5 ]
"""out:
5
"""

¡Pero las rebanadas no! Crea otra consulta.

 query = ObjectQuery ( range ( 10 ))
query [ 5 : 0 : - 1 ]
"""out:
<ObjectQuery for <generator object islice_extended at 0x0608B338>>
"""
list ( query [ 5 : 0 : - 1 ])
"""out:
[5, 4, 3, 2, 1]
"""

Inicializar otros objetos que usaron iteradores/iterables (todavía es casi el mismo mecanismo como la iteración normal):

 query1 = ObjectQuery ( range ( 10 ))
query2 = ObjectQuery ( range ( 10 ))

list ( query1 )
"""out:
[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
"""
tuple ( query2 )
"""out:
(0, 1, 2, 3, 4, 5, 6, 7, 8, 9)
"""

Casos de usuario

Consideremos el código de barbecho para poblar humanos falsos:

 from random import randint , choice


class Human :
    def __init__ ( self , name , age , sex , height , weight ):
        self . name = name
        self . age = age
        self . sex = sex
        self . height = height
        self . weight = weight

    def __repr__ ( self ):
        return str ( self . __dict__ )


def make_random_human ( name ):
    return Human (
        name = name ,
        age = randint ( 20 , 80 ),
        sex = choice (( 'female' , 'male' )),
        height = randint ( 160 , 210 ),
        weight = randint ( 60 , 80 ),
    )

Creando 10 humanos al azar:

 humans = [ make_random_human ( i ) for i in range ( 10 )]
"""out:
[{'name': 0, 'age': 24, 'sex': 'female', 'height': 161, 'weight': 71},
 {'name': 1, 'age': 33, 'sex': 'female', 'height': 205, 'weight': 67},
 {'name': 2, 'age': 45, 'sex': 'female', 'height': 186, 'weight': 74},
 {'name': 3, 'age': 48, 'sex': 'female', 'height': 173, 'weight': 78},
 {'name': 4, 'age': 73, 'sex': 'male', 'height': 174, 'weight': 62},
 {'name': 5, 'age': 75, 'sex': 'male', 'height': 189, 'weight': 77},
 {'name': 6, 'age': 64, 'sex': 'male', 'height': 179, 'weight': 63},
 {'name': 7, 'age': 35, 'sex': 'female', 'height': 170, 'weight': 75},
 {'name': 8, 'age': 64, 'sex': 'male', 'height': 188, 'weight': 72},
 {'name': 9, 'age': 43, 'sex': 'female', 'height': 198, 'weight': 78}]
"""

Filtrar y excluir

Encontrar a los pueblos a partir de la edad entre [30; 75). A eso utilizaremos comparadores especializados:

 list ( ObjectQuery ( humans ). filter ( age__ge = 30 , age__lt = 75 ))
"""out:
[{'name': 1, 'age': 33, 'sex': 'female', 'height': 205, 'weight': 67},
 {'name': 2, 'age': 45, 'sex': 'female', 'height': 186, 'weight': 74},
 {'name': 3, 'age': 48, 'sex': 'female', 'height': 173, 'weight': 78},
 {'name': 4, 'age': 73, 'sex': 'male', 'height': 174, 'weight': 62},
 {'name': 6, 'age': 64, 'sex': 'male', 'height': 179, 'weight': 63},
 {'name': 7, 'age': 35, 'sex': 'female', 'height': 170, 'weight': 75},
 {'name': 8, 'age': 64, 'sex': 'male', 'height': 188, 'weight': 72},
 {'name': 9, 'age': 43, 'sex': 'female', 'height': 198, 'weight': 78}]
"""

También podemos excluir a los hombres de manera similar:

 list ( ObjectQuery ( humans ). exclude ( sex = "male" ))
"""out:
[{'name': 0, 'age': 24, 'sex': 'female', 'height': 161, 'weight': 71},
 {'name': 1, 'age': 33, 'sex': 'female', 'height': 205, 'weight': 67},
 {'name': 2, 'age': 45, 'sex': 'female', 'height': 186, 'weight': 74},
 {'name': 3, 'age': 48, 'sex': 'female', 'height': 173, 'weight': 78},
 {'name': 7, 'age': 35, 'sex': 'female', 'height': 170, 'weight': 75},
 {'name': 9, 'age': 43, 'sex': 'female', 'height': 198, 'weight': 78}]
 """

Pedido

Ordenar por atributos sex en orden ascendente:

 list ( ObjectQuery ( humans ). order_by ( "sex" ))
"""out
[{'name': 0, 'age': 24, 'sex': 'female', 'height': 161, 'weight': 71},
 {'name': 1, 'age': 33, 'sex': 'female', 'height': 205, 'weight': 67},
 {'name': 2, 'age': 45, 'sex': 'female', 'height': 186, 'weight': 74},
 {'name': 3, 'age': 48, 'sex': 'female', 'height': 173, 'weight': 78},
 {'name': 7, 'age': 35, 'sex': 'female', 'height': 170, 'weight': 75},
 {'name': 9, 'age': 43, 'sex': 'female', 'height': 198, 'weight': 78},
 {'name': 4, 'age': 73, 'sex': 'male', 'height': 174, 'weight': 62},
 {'name': 5, 'age': 75, 'sex': 'male', 'height': 189, 'weight': 77},
 {'name': 6, 'age': 64, 'sex': 'male', 'height': 179, 'weight': 63},
 {'name': 8, 'age': 64, 'sex': 'male', 'height': 188, 'weight': 72}]
"""

Pedido por atributos sex en orden descendente:

 list ( ObjectQuery ( humans ). order_by ( "-sex" ))
"""out
[{'name': 4, 'age': 73, 'sex': 'male', 'height': 174, 'weight': 62},
 {'name': 5, 'age': 75, 'sex': 'male', 'height': 189, 'weight': 77},
 {'name': 6, 'age': 64, 'sex': 'male', 'height': 179, 'weight': 63},
 {'name': 8, 'age': 64, 'sex': 'male', 'height': 188, 'weight': 72},
 {'name': 0, 'age': 24, 'sex': 'female', 'height': 161, 'weight': 71},
 {'name': 1, 'age': 33, 'sex': 'female', 'height': 205, 'weight': 67},
 {'name': 2, 'age': 45, 'sex': 'female', 'height': 186, 'weight': 74},
 {'name': 3, 'age': 48, 'sex': 'female', 'height': 173, 'weight': 78},
 {'name': 7, 'age': 35, 'sex': 'female', 'height': 170, 'weight': 75},
 {'name': 9, 'age': 43, 'sex': 'female', 'height': 198, 'weight': 78}]
"""

Ordenar por múltiples atributos:

 list ( ObjectQuery ( humans ). order_by ( "-sex" , "height" ))
"""out:
[{'name': 5, 'age': 75, 'sex': 'male', 'height': 189, 'weight': 77},
 {'name': 8, 'age': 64, 'sex': 'male', 'height': 188, 'weight': 72},
 {'name': 6, 'age': 64, 'sex': 'male', 'height': 179, 'weight': 63},
 {'name': 4, 'age': 73, 'sex': 'male', 'height': 174, 'weight': 62},
 {'name': 1, 'age': 33, 'sex': 'female', 'height': 205, 'weight': 67},
 {'name': 9, 'age': 43, 'sex': 'female', 'height': 198, 'weight': 78},
 {'name': 2, 'age': 45, 'sex': 'female', 'height': 186, 'weight': 74},
 {'name': 3, 'age': 48, 'sex': 'female', 'height': 173, 'weight': 78},
 {'name': 7, 'age': 35, 'sex': 'female', 'height': 170, 'weight': 75},
 {'name': 0, 'age': 24, 'sex': 'female', 'height': 161, 'weight': 71}]
"""

Anotar

Si algunos atributos por valor de filtrado y pedido no están disponibles a mano, podemos calcularlos en la mosca:

 # Sorry for example if someone feels offended
root_query = ObjectQuery ( humans )

only_females = root_query . filter ( sex = "female" )  # reduce objects for annotation calculation
bmi_annotated_females = only_females . annotate ( bmi = lambda obj : obj . weight / ( obj . height / 100 ) ** 2 )
overweight_females = bmi_annotated_females . filter ( bmi__gt = 25 )
overweight_females_ordered_by_age = overweight_females . order_by ( "age" )
list ( overweight_females_ordered_by_age )
"""out:
[{'name': 0, 'age': 24, 'sex': 'female', 'height': 161, 'weight': 71, 'bmi': 27.390918560240728},
 {'name': 7, 'age': 35, 'sex': 'female', 'height': 170, 'weight': 75, 'bmi': 25.95155709342561},
 {'name': 3, 'age': 48, 'sex': 'female', 'height': 173, 'weight': 78, 'bmi': 26.061679307694877}]
"""

Proceso de copiar

Cada consulta de método está devolviendo la copia. Donde la iteración sobre las recién creadas no afecta las fuentes de objetos.

 root_query = ObjectQuery ( humans ). filter ( age__ge = 30 , age__lt = 75 )
query1 = root_query . filter ( weight__gt = 75 )
query2 = root_query . filter ( weight__in = [ 78 , 62 ])

list ( query1 )
"""out:
[{'name': 3, 'age': 48, 'sex': 'female', 'height': 173, 'weight': 78},
 {'name': 9, 'age': 43, 'sex': 'female', 'height': 198, 'weight': 78}]
"""

list ( query2 )
"""out:
[{'name': 3, 'age': 48, 'sex': 'female', 'height': 173, 'weight': 78},
 {'name': 4, 'age': 73, 'sex': 'male', 'height': 174, 'weight': 62},
 {'name': 9, 'age': 43, 'sex': 'female', 'height': 198, 'weight': 78}]
"""

list ( root_query )
"""out:
[{'name': 1, 'age': 33, 'sex': 'female', 'height': 205, 'weight': 67},
 {'name': 2, 'age': 45, 'sex': 'female', 'height': 186, 'weight': 74},
 {'name': 3, 'age': 48, 'sex': 'female', 'height': 173, 'weight': 78},
 {'name': 4, 'age': 73, 'sex': 'male', 'height': 174, 'weight': 62},
 {'name': 6, 'age': 64, 'sex': 'male', 'height': 179, 'weight': 63},
 {'name': 7, 'age': 35, 'sex': 'female', 'height': 170, 'weight': 75},
 {'name': 8, 'age': 64, 'sex': 'male', 'height': 188, 'weight': 72},
 {'name': 9, 'age': 43, 'sex': 'female', 'height': 198, 'weight': 78}]
"""

Pero a veces evaluar alguna consulta en el medio de la cadena puede romperla, por lo que cuando desee guardar explícitamente la copia de la consulta y asegúrese de que las acciones adicionales en root no afecten la consulta, puede hacer:

 root_query = ObjectQuery ( humans )
copy = root_query . all ()

Invertir

También puede revertir la consulta, pero recuerde que evaluará la consulta:

 root_query = ObjectQuery ( humans ). reverse ()
list ( root_query )
"""out:
[{'name': 9, 'age': 43, 'sex': 'female', 'height': 198, 'weight': 78},
 {'name': 8, 'age': 64, 'sex': 'male', 'height': 188, 'weight': 72},
 {'name': 7, 'age': 35, 'sex': 'female', 'height': 170, 'weight': 75},
 {'name': 6, 'age': 64, 'sex': 'male', 'height': 179, 'weight': 63},
 {'name': 5, 'age': 75, 'sex': 'male', 'height': 189, 'weight': 77},
 {'name': 4, 'age': 73, 'sex': 'male', 'height': 174, 'weight': 62},
 {'name': 3, 'age': 48, 'sex': 'female', 'height': 173, 'weight': 78},
 {'name': 2, 'age': 45, 'sex': 'female', 'height': 186, 'weight': 74},
 {'name': 1, 'age': 33, 'sex': 'female', 'height': 205, 'weight': 67},
 {'name': 0, 'age': 24, 'sex': 'female', 'height': 161, 'weight': 71}]
"""

O

Bit a bit o combina dos consultas juntas. Igual que el método union . Tenga en cuenta que después de orientar dos consultas o incluso más, se pueden necesitar pedidos:

 root_query = ObjectQuery ( humans )
males = root_query . filter ( sex = "male" )
females = root_query . filter ( sex = "female" )
both1 = ( males | females )
both2 = males . union ( females )

list ( both1 )
"""out:
[{'name': 4, 'age': 73, 'sex': 'male', 'height': 174, 'weight': 62},
 {'name': 5, 'age': 75, 'sex': 'male', 'height': 189, 'weight': 77},
 {'name': 6, 'age': 64, 'sex': 'male', 'height': 179, 'weight': 63},
 {'name': 8, 'age': 64, 'sex': 'male', 'height': 188, 'weight': 72},
 {'name': 0, 'age': 24, 'sex': 'female', 'height': 161, 'weight': 71},
 {'name': 1, 'age': 33, 'sex': 'female', 'height': 205, 'weight': 67},
 {'name': 2, 'age': 45, 'sex': 'female', 'height': 186, 'weight': 74},
 {'name': 3, 'age': 48, 'sex': 'female', 'height': 173, 'weight': 78},
 {'name': 7, 'age': 35, 'sex': 'female', 'height': 170, 'weight': 75},
 {'name': 9, 'age': 43, 'sex': 'female', 'height': 198, 'weight': 78}]
"""
list ( both2 )
"""out:
[{'name': 4, 'age': 73, 'sex': 'male', 'height': 174, 'weight': 62},
 {'name': 5, 'age': 75, 'sex': 'male', 'height': 189, 'weight': 77},
 {'name': 6, 'age': 64, 'sex': 'male', 'height': 179, 'weight': 63},
 {'name': 8, 'age': 64, 'sex': 'male', 'height': 188, 'weight': 72},
 {'name': 0, 'age': 24, 'sex': 'female', 'height': 161, 'weight': 71},
 {'name': 1, 'age': 33, 'sex': 'female', 'height': 205, 'weight': 67},
 {'name': 2, 'age': 45, 'sex': 'female', 'height': 186, 'weight': 74},
 {'name': 3, 'age': 48, 'sex': 'female', 'height': 173, 'weight': 78},
 {'name': 7, 'age': 35, 'sex': 'female', 'height': 170, 'weight': 75},
 {'name': 9, 'age': 43, 'sex': 'female', 'height': 198, 'weight': 78}]
"""

Comparadores compatibles

El proyecto admite muchos comparadores que se pueden elegir como postfix para la búsqueda:

El comparador predeterminado es eq
eq hace a == b
exact hace a == b
in hace a in b
contains hecha b in a
gt hace a > b
gte hace a >= b
ge hace a >= b
lt hace a < b
lte hace a <= b
le hace a <= b

Diádico

Documentación de Sphinx.
Los métodos asc() y desc() que funcionan igual que order_by() pero con orden especificado por adelantado.
Los métodos unique_justseen() y unique_everseen() para eliminar los duplicados. Comparación realizada por atributos aprobados o delegado a objetos Igualdad __eq__ .
El método intersection() para encontrar objetos comunes en dos consultas. Comparación realizada por atributos aprobados o delegado a objetos Igualdad __eq__ .
La mejora __len__ y __getitem__ para evaluar la consulta solo una vez por ciclo de vida.

Contribución

Se aprecia cualquier forma de contribución. Encontrar problemas, nuevas ideas, nuevas características. Y, por supuesto, puede crear relaciones públicas para este proyecto.

Expandir

smort query

Consulta smort

Razón fundamental

Formato de búsqueda

Instalación

Importador

¿Cómo funciona?

Lo esencial

Casos de usuario

Filtrar y excluir

Pedido

Anotar

Proceso de copiar

Invertir

O

Comparadores compatibles

Diádico

Contribución

GitHub sgrebnov/cordova plugin background download

Wa ch ull navra maza navsacha 2 2024 ull ovie Fr e Online On Strea ings

Wa ch navra maza navsacha 2 2024 ull ovie Online For Fr e Strea ings At Home

Wa ch the greatest of all time 2024 ull ovie Online For Fr e Strea ings At Home

wolfs 2024 f llmo ie f lmyz lla dow load ree 7 0p 4 0p a d 10 0p

Xluo Query gran sala de chat

chat.petals.dev

GPT Prompt Templates

GPTyped

Google Dorks

shepherd

mongo express

Google Dorks

shepherd

mongo express