CoderPath

执行计划、批量与查询预算 ​

本站纵览 ｜ 练习答案

python
from tickets.models import Ticket

queryset = (
    Ticket.objects.filter(status=Ticket.Status.OPEN)
    .select_related("assignee")
    .order_by("-created_at")
)
print(queryset.explain())
python
changed_tickets = list(
    Ticket.objects.filter(status=Ticket.Status.OPEN).order_by("id")[:500]
)
for ticket in changed_tickets:
    ticket.priority = min(ticket.priority + 1, 5)
Ticket.objects.bulk_update(changed_tickets, ["priority"], batch_size=500)

深水边界 ​

执行计划依赖数据库、统计信息、参数和数据分布。同一 ORM 语句在小测试库与生产库可能选择不同路径。bulk_create() / bulk_update() 减少往返，但绕过逐对象 save() 与部分 signal；批量操作前明确哪些不变量在数据库，哪些需要显式预处理。

分页也会改变成本：大 OFFSET 需要跳过旧行；稳定游标需要唯一排序键和方向一致的条件。只选需要列可降 I/O，但 defer() 后在模板访问字段会重新查询。

验收 ​

慢查询有 SQL、参数、计划和数据规模证据；批量操作保持约束；分页在并发插入下不重复/漏读既有项；查询数测试锁住回归。

练习（先独立完成） ​

  1. 比较 OFFSET 与 (created_at, id) 游标分页。
  2. 验证 bulk_update 是否调用自定义 save。
  3. 构造一次模板访问 deferred 字段导致的 N+1。

完成后查看练习答案。

深度加餐：批量 API 不是批量魔法 ​

bulk_create/update 减少往返，却绕过 save、signals 和部分校验；使用前要先列出被跳过的合同。

先做一个可观察实验 ​

python
from django.db import transaction
from .models import Ticket

def close_stale(ids):
    with transaction.atomic():
        updated = (Ticket.objects
                   .filter(pk__in=ids, status='OPEN')
                   .update(status='CLOSED'))
    return updated

def import_tickets(rows, chunk_size=500):
    objects = [Ticket(title=row['title'], status='OPEN') for row in rows]
    return Ticket.objects.bulk_create(objects, batch_size=chunk_size)

预期：close_stale 返回真正更新的行数；批量导入按 chunk_size 发出有限 SQL，但不会自动触发每个对象的 save/signals。

原理下潜与工程边界 ​

QuerySet 惰性求值，exists/count/len/iteration 会触发不同 SQL；iterator 降低缓存占用，select_for_update 需要事务。EXPLAIN 读的是优化器计划，不是业务正确性证明。

bulk_update 不会调用 full_clean；大 IN 列表可能超过参数或计划阈值；update 返回 0 不一定是错误，可能表示条件已不再满足。

反例排错路线 ​

先记录 SQL 数量与耗时，再看 EXPLAIN 的 rows、key、Extra；批量任务按主键范围切片，失败时记录已处理游标而非整批重跑。

练习加码（仍不提供答案） ​

加码：实现可恢复的批量关闭命令，支持 --limit、--dry-run 和最后一个主键游标，重复执行不得误关新工单。

验收时请补充：正常路径、权限或失败路径、以及一条能证明事务/资源/配置边界没有被绕过的测试。

继续查阅：Django 官方文档（外部资料已收录于证据账本） · Django 安全清单（外部资料已收录于证据账本）

课程合同：执行计划与批量写入 ​

学习目标 ​

学完本篇，读者应能把「用查询预算和 EXPLAIN 证明列表没有 N+1，批量更新保持边界」拆成输入、可信边界、Django 机制和可复查证据；同时能说明 Django 6.0 与 5.2 LTS 的差异不会改变业务不变量。

心智模型 ​

请求/数据输入 → 边界检查 → Django 核心机制 → 可观察输出 → 恢复动作。配置、数据库提交和外部副作用分别拥有自己的生命周期；没有证据的“应该可以”不算完成。

本地机制图 ​

执行计划与批量写入机制图

图中的“输入”是不可信的 HTTP、表单、任务或配置；“边界”负责身份、格式、权限、大小、超时与版本；“机制”才是 URL、View、ORM、事务、缓存、Tasks 或 ASGI；“证据”是测试、响应、日志、查询计划和发布记录。

最小实验 ​

在全新虚拟环境中运行：

bash
python -m django --version
python manage.py check
python manage.py test

实验只验证一个机制：输入一条有效值，再输入一条空值、重复值或无权限值。每次实验都记录 Django 版本、数据库、命令和退出码。

完整场景 ​

把实验接到 tickets 工单流：请求携带用户身份和工单 ID，经过当前专题负责的边界，完成一次读或写，并留下响应状态、数据库变化、日志字段和清理动作。完整场景必须能第二次执行，或明确说明幂等键、事务回滚、缓存失效和任务重试策略。

运行输出 ​

成功路径应出现：

text
Django 6.0.x
System check identified no issues (0 silenced).
OK

失败路径要保留真实信号，例如 400（输入无效）、403（权限/CSRF）、404（资源不存在）、405（方法不允许）或数据库约束异常；不要把失败改写成含糊的 200。

失败边界 ​

至少验证：空输入、重复提交、匿名用户、越权对象、并发写入、下游不可用、超时和版本不兼容。记录“谁拒绝、何时拒绝、状态是否回滚、重试是否安全”。开发模式的 traceback 不得进入生产响应，缓存不得跨用户复用敏感结果。

原理与排错 ​

先确认版本和 settings，再用 manage.py check 定位启动问题；接着确认 URL/任务入口、输入解析和权限；最后检查 SQL、事务提交、响应和副作用。若结果异常，用最小复现打开 SQL/请求 ID/任务 ID 观测，沿「复现 → 缩小 → 观测 → 修复 → 回归」闭环，不靠重装依赖猜测。

练习（正文不泄答案） ​

  1. 为上述完整场景补一条正常路径和两条失败路径测试，并记录完整输出。
  2. 画出本篇机制图，标出身份 owner、数据提交点、缓存/任务副作用和恢复动作。
  3. 故意制造一次重复、越权或超时，说明应返回的状态、日志字段和是否可重试。
  4. 写一条 Django 5.2 LTS 兼容验收标准，再说明 Django 6.0 的新能力是否需要条件分支。

验收标准：命令可重复、输出可复查、正文没有练习答案；完成后再打开本阶段答案册。

答案册 ​

本阶段答案册提供参考实现、关键推理、失败边界和替代方案；先独立完成练习再对照。

下一篇 ​

下一篇是05-forms-auth-admin/01-forms-auth-admin，继续沿同一条输入—边界—机制—证据链前进。

用心记录每一步成长

Copyright © 2026-present Twiink