Python学习---django知识补充之CBV

Django知识补充之CBV

Django:

   url    -->  def函数      FBV[function based view]  用函数和URL进行匹配

   url    -->  类           CBV[function based view]  用类和URL进行匹配

POSTMAN插件

http://blog.csdn.net/zzy1078689276/article/details/77528249

 

基于CBV的登录实例:

settings.py

INSTALLED_APPS = [...'app01',   # 注册app
]
STATICFILES_DIRS = (os.path.join(BASE_DIR, "statics"),)  # 现添加的配置,这里是元组,注意逗号
TEMPLATES = [...'DIRS': [os.path.join(BASE_DIR, 'templates')],
]

urls.py

from django.contrib import admin
from django.urls import path
from django.conf.urls import url, include
from app01 import views
urlpatterns = [# 基于CBV的登录# url(r'^login.html/', views.login),  # 原来基于函数url(r'^login.html/', views.Login.as_view()), # 现在基于类名.as_view()
]

views.py

from django.shortcuts import render, redirect
from app01 import models
# 基于CBV的登录,需要导入views
from django import views
class Login(views.View):# http_method_names = ['get', 'post', 'put', 'patch', 'delete', 'head', 'options', 'trace']def get(self, request, *args, **kwargs):print(request.method, 'GGGGGGGGGGGG')message = ''return render(request, 'login.html', {'message': message})  # 这里是网页htmldef post(self, request, *args, **kwargs):print(request.method, 'OOOOOOOOOOOOO')username = request.POST.get("user")password = request.POST.get("pass")print('username: %s, password:%s' % (username, password))# obj = models.Administrator.objects.filter(username=username, password=password).count()# if obj:   从数据库内取出数据,进行判断也可以if username == 'root' and password == 'root':req = redirect('/index.html/')  # 接收redirect对象,# 这里是浏览器路径,伪静态# req.set_cookie('username', username, max_age=10)  # 设置超时时间10simport datetimetimeout = datetime.datetime.now() + datetime.timedelta(seconds=10)req.set_cookie('username', username, max_age=10, expires=timeout)# IE设置超时时间10sreturn req# return redirect('/index.html') # 与上面3行同,只是添加了Cookieelse:message = '用户名或密码错误'return render(request, 'login.html', {'message': message})  # 这里是网页html

templates/login.html

<!DOCTYPE html>
<html lang="en">
<head><meta charset="UTF-8"><title>Title</title>
</head>
<body>{# 伪静态#}<form action="/login.html/" method="post">{% csrf_token %}   {# 为跨站请求 #}<div><label for="user">用户名</label><input id="user" name="user" type="text"></div><div><label for="pass">密&nbsp;&nbsp;&nbsp;&nbsp;码</label><input id="pass" name="pass" type="password"></div><div><label></label><input value="登录" type="submit"><span style="color: red">{{ message }}</span></div></form>
</body>
</html>

templates/index.html

<!DOCTYPE html>
<html lang="en">
<head><meta charset="UTF-8">
</head>
<body><h2>hello, {{ username }}</h2>
</body>
</html>

页面显示:

image

 

CBV基于装饰器的使用<一>  ---基于Python旧方法

 

CBV基于装饰器的使用<一>  ---基于Python旧方法

装饰器:函数执行之前/后可以增加扩展功能

有多个方法的时候,必须给每个方法添加装饰器哈

CBV的反射原理

image

单一装饰器

views.py

from django.shortcuts import render, redirect
from app01 import models
# 基于CBV的登录,需要导入views
from django import views
from django.utils.decorators import method_decorator  # 导入装饰器
# 基于CBV的装饰器的使用
def outer(func):def inner(request, *args, **kwargs):print(request.method)return func(request, *args, **kwargs)return innerclass Login(views.View):# http_method_names = ['get', 'post', 'put', 'patch', 'delete', 'head', 'options', 'trace']@method_decorator(outer)def get(self, request, *args, **kwargs):message = ''return render(request, 'login.html', {'message': message})  # 这里是网页html@method_decorator(outer)def post(self, request, *args, **kwargs):username = request.POST.get("user")password = request.POST.get("pass")print('username: %s, password:%s' % (username, password))# obj = models.Administrator.objects.filter(username=username, password=password).count()# if obj:   从数据库内取出数据,进行判断也可以if username == 'root' and password == 'root':req = redirect('/index.html/')  # 接收redirect对象,# 这里是浏览器路径,伪静态# req.set_cookie('username', username, max_age=10)  # 设置超时时间10simport datetimetimeout = datetime.datetime.now() + datetime.timedelta(seconds=10)req.set_cookie('username', username, max_age=10, expires=timeout)# IE设置超时时间10sreturn req# return redirect('/index.html') # 与上面3行同,只是添加了Cookieelse:message = '用户名或密码错误'return render(request, 'login.html', {'message': message})  # 这里是网页html

CBV基于装饰器的使用<二>  --基于Django的dispatch[多个装饰器]

CBV基于装饰器的使用<二>  --基于Django的dispatch[多个装饰器]

如果对某一种请求做处理: 单一装饰器

如果对所有的请求做处理: dispatch单一装饰器

添加装饰器有2中方法:

    1.类上添加  

    2.方法上添加

image

自定义转发dispatch函数

from django import views
from django.utils.decorators import method_decorator  # 导入装饰器
class Login(views.View):# http_method_names = ['get', 'post', 'put', 'patch', 'delete', 'head', 'options', 'trace']# 自定义转发器,URL进来都在此处进行URL转发,我们可以有一些预操作[函数验证可以放此处]def dispatch(self, request, *args, **kwargs):print('自定义dispatch: 前')# if request.method == 'POST':# return HttpResponse("Good Bye")    # 预操作处理# 请求先到Login的dispatch,然后调用父类的dispatch,返回结果给了objobj = super(Login, self).dispatch(request, *args, **kwargs)  # 自定义转发且调用父类dispatch# 将父类的返回结果返回给界面,否则界面报错print('自定义dispatch: 后')return objdef get(self, request, *args, **kwargs):message = ''return render(request, 'login.html', {'message': message})  # 这里是网页html...同上

image

转载于:https://www.cnblogs.com/ftl1012/p/9403851.html

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/388961.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

蓝图解锁怎么用_[UE4蓝图][Materials]虚幻4中可互动的雪地材质完整实现(一)

不说废话&#xff0c;先上个演示图最终成果&#xff08;脚印&#xff0c;雪地可慢慢恢复&#xff0c;地形可控制&#xff09;主要原理&#xff08;白话文&#xff09;&#xff1a;假如你头上是块白色并且可以透视的平地&#xff0c;来了个非洲兄弟踩上面&#xff0c;你拿起单反…

数据预处理工具_数据预处理

数据预处理工具As the title states this is the last project from Udacity Nanodegree. The goal of this project is to analyze demographics data for customers of a mail-order sales company in Germany.如标题所示&#xff0c;这是Udacity Nanodegree的最后一个项目。…

自考数据结构和数据结构导论_我跳过大学自学数据科学

自考数据结构和数据结构导论A few months back, I decided I wanted to learn data science. In order to do this, I skipped an entire semester of my data science major.几个月前&#xff0c;我决定要学习数据科学。 为此&#xff0c; 我跳过了数据科学专业的整个学期。 …

十三、原生爬虫实战

一、简单实例 1、需求&#xff1a;爬取熊猫直播某类主播人气排行 2、了解网站结构 分类——英雄联盟——"观看人数" 3、找到有用的信息 二、整理爬虫常规思路 1、使用工具chrome——F12——element——箭头——定位目标元素 目标元素&#xff1a;主播名字&#xff0c…

归一化 均值归一化_归一化折现累积收益

归一化 均值归一化Do you remember the awkward moment when someone you had a good conversation with forgets your name? In this day and age we have a new standard, an expectation. And when the expectation is not met the feeling is not far off being asked “w…

sqlserver垮库查询_Oracle和SQLServer中实现跨库查询

一、在SQLServer中连接另一个SQLServer库数据在SQL中&#xff0c;要想在本地库中查询另一个数据库中的数据表时&#xff0c;可以创建一个链接服务器&#xff1a;EXEC master.dbo.sp_addlinkedserver server N别名, srvproductN库名,providerNSQLOLEDB, datasrcN服务器地址EXEC…

机器学习实践三---神经网络学习

Neural Networks 在这个练习中&#xff0c;将实现神经网络BP算法,练习的内容是手写数字识别。Visualizing the data 这次数据还是5000个样本&#xff0c;每个样本是一张20*20的灰度图片fig, ax_array plt.subplots(nrows10, ncols10, figsize(6, 4))for row in range(10):fo…

机器学习实践四--正则化线性回归 和 偏差vs方差

这次实践的前半部分是&#xff0c;用水库水位的变化&#xff0c;来预测大坝的出水量。 给数据集拟合一条直线&#xff0c;可能得到一个逻辑回归拟合&#xff0c;但它并不能很好地拟合数据&#xff0c;这是高偏差&#xff08;high bias&#xff09;的情况&#xff0c;也称为“欠…

深度学习 推理 训练_使用关系推理的自我监督学习进行训练而无需标记数据

深度学习 推理 训练背景与挑战&#x1f4cb; (Background and challenges &#x1f4cb;) In a modern deep learning algorithm, the dependence on manual annotation of unlabeled data is one of the major limitations. To train a good model, usually, we have to prepa…

CentOS 7 使用 ACL 设置文件权限

Linux 系统标准的 ugo/rwx 集合并不允许为不同的用户配置不同的权限&#xff0c;所以 ACL 便被引入了进来&#xff0c;为的是为文件和目录定义更加详细的访问权限&#xff0c;而不仅仅是这些特别指定的特定权限。 ACL 可以为每个用户&#xff0c;每个组或不在文件所属组中的用…

机器学习实践五---支持向量机(SVM)

之前已经学到了很多监督学习算法&#xff0c; 今天的监督学习算法是支持向量机&#xff0c;与逻辑回归和神经网络算法相比&#xff0c;它在学习复杂的非线性方程时提供了一种更为清晰&#xff0c;更强大的方式。 Support Vector Machines SVM hypothesis Example Dataset 1…

服务器安装mysql_阿里云服务器上安装MySQL

关闭防火墙和selinuxCentOS7以下&#xff1a;service iptables stopsetenforce 0CentOS7.xsystemctl stop firewalldsystemctl disable firewalldsystemctl status firewalldvi /etc/selinux/config把SELINUXenforcing 改成 SELINUXdisabled一、安装依赖库yum -y install make …

在PyTorch中转换数据

In continuation of my previous post ,we will keep on deep diving into basic fundamentals of PyTorch. In this post we will discuss about ways to transform data in PyTorch.延续我以前的 发布后 &#xff0c;我们将继续深入研究PyTorch的基本原理。 在这篇文章中&a…

机器学习实践六---K-means聚类算法 和 主成分分析(PCA)

在这次练习中将实现K-means 聚类算法并应用它压缩图片&#xff0c;第二部分&#xff0c;将使用主成分分析算法去找到一个脸部图片的低维描述。 K-means Clustering Implementing K-means K-means算法是一种自动将相似的数据样本聚在一起的方法,K-means背后的直观是一个迭代过…

打包 压缩 命令tar zip

2019独角兽企业重金招聘Python工程师标准>>> 打包 压缩 命令tar zip tar语法 #压缩 tar -czvf ***.tar.gz tar -cjvf ***.tar.bz2 #解压缩 tar -xzvf ***.tar.gz tar -xjvf ***.tar.bz2 tar [主选项辅选项] 文件或目录 主选项是必须要有的&#xff0c;它告诉tar要做…

mysql免安装5.7.17_mysql免安装5.7.17数据库配置

首先要有 mysql-5.7.10-winx64环境: mysql-5.7.10-winx64 win10(64位)配置环境变量&#xff1a;1、把mysql-5.7.10-winx64放到D盘&#xff0c;进入D\mysql-5.7.10-winx64\bin目录&#xff0c;复制路径&#xff0c;配置环境变量&#xff0c;在path后面添加D\mysql-5.7.10-winx6…

tidb数据库_异构数据库复制到TiDB

tidb数据库This article is based on a talk given by Tianshuang Qin at TiDB DevCon 2020.本文基于Tianshuang Qin在 TiDB DevCon 2020 上的演讲 。 When we convert from a standalone system to a distributed one, one of the challenges is migrating the database. We’…

机器学习实践七----异常检测和推荐系统

Anomaly detection 异常检测是机器学习中比较常见的应用&#xff0c;它主要用于非监督学习问题&#xff0c;从某些角度看&#xff0c; 它又类似于一些监督学习问题。 什么是异常检测&#xff1f;来看几个例子&#xff1a; 例1. 假设是飞机引擎制造商&#xff0c; 要对引擎进行…

CODE[VS] 1621 混合牛奶 USACO

题目描述 Description牛奶包装是一个如此低利润的生意,所以尽可能低的控制初级产品(牛奶)的价格变的十分重要.请帮助快乐的牛奶制造者(Merry Milk Makers)以可能的最廉价的方式取得他们所需的牛奶.快乐的牛奶制造公司从一些农民那购买牛奶,每个农民卖给牛奶制造公司的价格不一定…

刚认识女孩说不要浪费时间_不要浪费时间寻找学习数据科学的最佳方法

刚认识女孩说不要浪费时间重点 (Top highlight)Data science train is moving, at a constantly accelerating speed, and increasing its length by adding up new coaches. Businesses want to be on the data science train to keep up with the ever-evolving technology a…