相信使用Python做Web开发的朋友都会遇到这样1个问题,那就是在项目开发中使用模型框架,比如SQLAlchemy、Peewee,我们在做RESTful接口时如何将这些模型序列化为JSON数据。
关于这个问题,跟隔壁那位搞Python的哥们有关系。我不得不佩服这位哥们竟然自己写了1套ORM框架,而且用起来的那么遛,不得不让我汗颜。
但是,在给前端提供接口的时候,如何序列化为JSON数据确实困扰了我们那么一阵子,毕竟占据我们很大一部分时间来进行序列化操作。
这里,我们使用peewee来定义1个简单的例子来说明:
from peewee import SqliteDatabase
from peewee import Model, CharField, DateField, BooleanField, ForeignKeyField
db = SqliteDatabase('dev.sqlite3')
class BaseModel(Model):
class Meta:
database = db
class Person(BaseModel):
name = CharField(max_length= 20)
birthday = DateField()
sex = BooleanField()
class Pet(BaseModel):
owner = ForeignKeyField(Person, related_name= 'pets')
name = CharField(max_length= 10)
animal_type = CharField(max_length= 20)
在这里我们定义了Person和Pet这2个模型,每个Person可能有1个Pet的宠物。
我们插入一些数据,现在假设我们现在有如下的数据:
sqlite> select * from person; 1|Bob|1960-01-15|1 2|Grandma|1935-03-01|0 3|Herb|1950-05-05|1 sqlite> select * from pet; 1|1|Kitty|cat 2|3|Fido|dog 3|3|Mittens|cat 4|2|Jack|cat
现在,我们假设我们接口需要返回的接口是每个用户的名称、生日及其对应的宠物的信息。
我们可以通过连表的方式轻松的获取到我们需要的数据:
query=Person.select(Person,Pet).join(Pet)
那么我们怎么将这个模型数据转换为我们需要的JSON数据呢?一般情况下,我们会这样操作:
data = []
for person in query.aggregate_rows():
d={}
d['username'] = person.name
d['birthday'] = person.birthday
d['pet'] = []
for pet in person.pets:
o = {}
o['name'] = pet.name
o['animal_type'] = pet.animal_type
d['pet'].append(o)
data.append(d)
最后我们将得到如下的结果:
[{'birthday': datetime.date(1960, 1, 15), 'pet': [{'animal_type': u'cat', 'name': u'Kitty'}], 'username': u'Bob'}, {'birthday': datetime.date(1950, 5, 5), 'pet': [{'animal_type': u'dog', 'name': u'Fido'}, {'animal_type': u'cat', 'name': u'Mittens'}], 'username': u'Herb'}, {'birthday': datetime.date(1935, 3, 1), 'pet': [{'animal_type': u'cat', 'name': u'Jack'}], 'username': u'Grandma'}]
可以看到,这么1个简单的例子,我们已经对序列化操作处理的已经够呛的。对于那些更为复杂的模型,我们预计只有哭的份了。
因此,我们希望能找到1个库可以减轻我们的工作量,于是我们找到了1个marshallow的库。
下面我们来说说如何使用marshallow来减轻序列化模型的工作量。
主要包括如下2个步骤:
- 定义模式
- 序列化模型
下面我们分别来看看。
定义模式
如果你使用过Flask-RESTful,你应该知道该库提供了1个marshal_with
的函数。其中我们就需要定义我们给定字段返回的数据类型,但是Flask-RESTful没有提供字段不同返回的操作。
我们通过如下的方式导入模式及其对应的字段:
from marshmallow import Schema, fields
接下来,我们定义1个继承自Schema的类,然后定义其对应的字段:
class PetSchema(Schema):
name = fields.String()
animal_type = fields.String()
class PersonSchema(Schema):
name = fields.String(dump_to = 'username')
birthday = fields.Date()
pets = fields.Nested(PetSchema,dump_to='pet',many=True)
由于这里,我们将用户的name属性修改为username,因此我们需要在字段中使用dump_to
参数将其修改为我们需要的字段。另外,用户的pet字段对应的是宠物的信息,因此我们采用嵌套模式来实现这样需求。
在这里,我们在Nested字段中传入many参数,因此输出的结果可能有多个,不然得到的结果将为空。而我们定义的pets将访问Person实例的pets属性,通过这个外键从而访问到Pet的内容。
序列化模型
上面我们已经定义好了我们的模式了,下一步是序列化模型的操作了。
我们可以这样来操作:
query=Person.select(Person, Pet).join(Pet)
接着,我们实例化我们的模式,然后传入需要序列化的模型:
person, error = PersonSchema(many = True).dumps(query.aggregate_rows())
在这里,我们调用PersonSchema实例的dumps来生成JSON数据,另外它还有1个dump方法用于生成Python对象。由于我们的渲染的数据有多条,因此我们需要在实例化PersonSchema类时传入关键字参数many为True,不然没有任何数据。
通过这种方式,PersonSchema会查看它自己的属性,将数据模型中对应的数据先序列化出来,然后是查询嵌套模式中的字段,如果符合对应的名称则将其序列化出来,最后我们将得到这样的数据:
[ { "username": "Bob", "pet": [ { "animal_type": "cat", "name": "Kitty" } ], "birthday": "1960-01-15" }, { "username": "Herb", "pet": [ { "animal_type": "dog", "name": "Fido" }, { "animal_type": "cat", "name": "Mittens" } ], "birthday": "1950-05-05" }, { "username": "Grandma", "pet": [ { "animal_type": "cat", "name": "Jack" } ], "birthday": "1935-03-01" } ]
可以看到,通过marshallow得到的结果与之前我们编写的序列化操作的结果是一样的。
不得不说,marshallow这个库对于序列化模型其实挺实用的。当然对于复杂的模型,我们需要利用合适的方式将其搜索出来,不然还是序列化不了的。