关于Django ForeignKey 反向查询中filter和_set的效率对比详解
前言
大家使用 Django 创建模型的时候一定会经常使用 ForeignKey 来创建两个表格之间多对一的外键关系,例如B中有一个 models.ForeignKey(A) 。而当我们需要反向查询 A 中某个具体实例所关联的 B 时,可能会用到 A.B_set.all() 或 B.objects.filter(A) 这两种不同的方法。
不知道大家有没有也想过一个问题:当网站实际上线后,SEO强调页面加载速度,而当面对不断增大的请求量,这两种方法的哪一种速度更快?
馆主我产生了这个疑问,所以就打算跑一下试试看看。馆主尚属小白,如有不对的地方,还请各位客官登录一下账号,留言指点!
实验环境
操作系统: Manjaro Linux 17.1-rc2 Python: Python 3.6.3 Django: Django 1.11.7 数据库: SQLite 3.21.0 CPU: i3-4130 @ 3.4GHz 内存: DDR3 1600 8G + 4G
实验计划
分别创建“问题”模型 Questions 和“答案”模型 Answers ,答案模型对于问题模型存在多对一关系 ForeignKey 创建一个问题和两个答案。然后分别使用两种不同的方法运行查询数据 10000 次比较消耗的时间。
实验实施
创建实验模型
# myapp/models.py from django.db import models class Questions(models.Model): '''问题的模型''' title = models.CharField('标题', max_length=100) content = models.TextField('描述') class Answers(models.Model): '''答案的模型''' question = models.ForeignKey(Questions, on_delete=models.CASCADE, verbose_name='问题') content = models.TextField('答案')
然后我们进入 django 的 shell 为模型增加数据并编写我们的测试。
>>> from myapp.models import Questions, Answers # 创建第一个问题 Questions.objects.create( title = '这是第一个问题么?' content = '我认为这是第一个问题,不知道是不是真的啊?' ) # 创建第一个答案 Answers.objects.create( question = Questions.objects.get(pk=1), content = '你说对了了,这是第一个问题' ) # 创建第二个答案 Answers.objects.create( question = Questions.objects.get(pk=1), content = '题主,你是第一个问题,但我是第二个答案么?' )
利用 timeit 测试两种方法消耗的时间
from timeit import timeit # 构建使用 _set 方法的函数 def time_test_1(): question = Question.objects.get(pk=1) answers = question.answers_set.all() # 构建使用 filter 方法的函数 def time_test_2(): question = Question.objects.get(pk=1) answers = Answers.objects.filter(question=question) # 使用 timeit 测试 10000 次 timeit(time_test_1, number=10000) 5.346277045000534 timeit(time_test_2, number=10000) 5.11136907800028
实际经过多次测试,至少我这样的用法来看 使用A.B_set.all() 反向查询消耗的时间总是比 B.objects.filter(A) 过滤筛选方法多消耗 0.2 - 0.3 秒钟左右。所以但从时间成本来考虑的话还是使用 filter 筛选效率更高一些。
以上这篇关于Django ForeignKey 反向查询中filter和_set的效率对比详解就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持脚本之家。
相关文章
Python cookbook(数据结构与算法)通过公共键对字典列表排序算法示例
这篇文章主要介绍了Python cookbook(数据结构与算法)通过公共键对字典列表排序算法,结合实例形式分析了Python基于operator模块中的itemgetter()函数对字典进行排序的相关操作技巧,需要的朋友可以参考下2018-03-03TensorFlow tf.nn.conv2d实现卷积的方式
今天小编就为大家分享一篇TensorFlow tf.nn.conv2d实现卷积的方式,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧2020-01-01
最新评论