


Comment faire la distinction entre la logique métier et la logique de stockage dans le développement back-end?
Apr 19, 2025 pm 09:18 PMArchitecture à trois couches arrière: la frontière entre la logique métier et la logique d'accès aux données
En développement back-end, les architectures courantes à trois couches du contr?leur, du service et du DAO sont relativement claires dans les couches de contr?leur et de service. Ils sont principalement implémentés en séparant la logique métier et la logique de présentation, tels que le découplage de la file d'attente de messages (MQ), HTTP, RPC, etc. de la logique métier. Cependant, la frontière entre la couche de service et la couche DAO, en particulier après l'introduction de la couche de gestionnaire, confond souvent les développeurs.
Dans le développement de python back-end, la logique métier est parfois mélangée dans la couche de modèle, telles que les méthodes de requête commerciale telles que usermodel.is_super()
, ou des opérations de base de données natives telles que usermodel.objects.all()
, et même des opérations de table croisée telles que usermodel.**
.
Analyse de la logique commerciale et de la logique non commerciale
La clé de la logique métier et de la logique non commerciale réside dans la question de savoir si elle se rapporte directement aux besoins des clients. Logique que les clients ne peuvent pas percevoir sont souvent considérées comme une logique non commerciale, notamment:
-
Structure de la base de données et relation d'association: par exemple,
usermanager.delete()
etdepartmentmanager.delete()
peuvent gérer la suppression du tableau d'association (telles queuserdeptmodel
) en même temps, sans appeler la méthode de la couche DAO deux fois au niveau de la couche de service. Même sans couche de gestionnaire, la couche DAO peut effectuer de telles opérations d'association ou de table transversale tant que ces opérations sont indépendantes de la logique commerciale.classe Usermanager: Def supprimer (soi): userdao.delete () userDeptDao.Delete () Département de département de classe: Def supprimer (soi): DepartmentDao.Delete () userDeptDao.Delete ()
-
Mot de passe Salt: Les utilisateurs doivent seulement savoir que le mot de passe n'est pas stocké en texte brut, et l'opération d'addition de sel peut être traitée dans la couche DAO ou Manager.
Classe UserDao: def make_password (self, passwd): return sel (passwd) # ajouter la fonction de sel def Save (self): self.passwd = self.make_password (self.passwd) super (). Save ()
Nommer et définition de la méthode de la couche DAO: la méthode de la couche DAO, par exemple, si les noms sémantiques tels que
get_super_user
conviennent à ce qu'ils soient liés à la logique métier. Sisuper
n'est pas lié aux entreprises, il est acceptable d'utiliserget_super_user
.L'encapsulation de la demande HTTP: les dépendances backend (telles que les services fournis par d'autres équipes) peuvent être encapsulées en méthodes DAO-couche, plut?t que des méthodes de couche de service.
Implémentez des fonctions similaires au filtre Django dans Django / Flask
Lors de la mise en ?uvre de fonctions de type filtre Django dans Django et Flask, vous rencontrez souvent des problèmes de pénétration de couche par couche car la couche DAO doit passer dans les paramètres de demande. En l'absence d'un cadre d'injection de dépendance comme le printemps, vous pouvez considérer:
- Dans Java, des cadres tels que MyBatis ou JPA sont généralement utilisés pour gérer l'accès aux données et le filtrage de la logique via des annotations et des fichiers de configuration.
La relation entre les entités de données et l'architecture à trois couches
Les entités de données représentent des objets de données dans le système. Dans une architecture à trois couches, le contr?leur, le service et les couches DAO ne correspondent pas strictement à un par un:
- La couche DAO peut contenir plusieurs méthodes pour traiter différentes entités de données, telles que
userdao
etdepartmentdao
. - La couche de service peut avoir besoin de combiner plusieurs méthodes de couche DAO pour implémenter une logique commerciale complète.
En bref, la couche DAO n'est responsable que de l'interaction de stockage des données et n'inclut pas la logique métier; La couche de service est responsable de l'exécution de la logique commerciale. Par exemple, lors de la création d'un utilisateur, la couche de service vérifie si le nom d'utilisateur est dupliqué, puis appelle la méthode de couche DAO pour enregistrer l'utilisateur. Cette architecture est con?ue pour diviser le système par responsabilité et améliorer la maintenabilité et l'évolutivité du code.
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!

Outils d'IA chauds

Undress AI Tool
Images de déshabillage gratuites

Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes

AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.

Clothoff.io
Dissolvant de vêtements AI

Video Face Swap
échangez les visages dans n'importe quelle vidéo sans effort grace à notre outil d'échange de visage AI entièrement gratuit?!

Article chaud

Outils chauds

Bloc-notes++7.3.1
éditeur de code facile à utiliser et gratuit

SublimeText3 version chinoise
Version chinoise, très simple à utiliser

Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP

Dreamweaver CS6
Outils de développement Web visuel

SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)

Sujets chauds

La clé pour gérer l'authentification de l'API est de comprendre et d'utiliser correctement la méthode d'authentification. 1. Apikey est la méthode d'authentification la plus simple, généralement placée dans l'en-tête de demande ou les paramètres d'URL; 2. BasicAuth utilise le nom d'utilisateur et le mot de passe pour la transmission de codage Base64, qui convient aux systèmes internes; 3. OAuth2 doit d'abord obtenir le jeton via client_id et client_secret, puis apporter le Bearertoken dans l'en-tête de demande; 4. Afin de gérer l'expiration des jetons, la classe de gestion des jetons peut être encapsulée et rafra?chie automatiquement le jeton; En bref, la sélection de la méthode appropriée en fonction du document et le stockage en toute sécurité des informations clés sont la clé.

Pour tester l'API, vous devez utiliser la bibliothèque des demandes de Python. Les étapes consistent à installer la bibliothèque, à envoyer des demandes, à vérifier les réponses, à définir des délais d'attente et à réessayer. Tout d'abord, installez la bibliothèque via PiPinstallRequests; Utilisez ensuite les demandes.get () ou les demandes.Post () et d'autres méthodes pour envoyer des demandes GET ou POST; Vérifiez ensuite la réponse.status_code et la réponse.json () pour vous assurer que le résultat de retour est en conformité avec les attentes; Enfin, ajoutez des paramètres de délai d'expiration pour définir l'heure du délai d'expiration et combinez la bibliothèque de réessayer pour obtenir une nouvelle tentative automatique pour améliorer la stabilité.

Dans Python, les variables définies à l'intérieur d'une fonction sont des variables locales et ne sont valides que dans la fonction; Les variables globales sont définies à l'extérieur qui peuvent être lues n'importe où. 1. Les variables locales sont détruites lors de l'exécution de la fonction; 2. La fonction peut accéder aux variables globales mais ne peut pas être modifiée directement, donc le mot-clé global est requis; 3. Si vous souhaitez modifier les variables de fonction externes dans les fonctions imbriquées, vous devez utiliser le mot-clé non local; 4. Les variables avec le même nom ne se affectent pas dans différentes lunettes; 5. Global doit être déclaré lors de la modification des variables globales, sinon une erreur non liée à la dorsale sera augmentée. Comprendre ces règles permet d'éviter les bogues et d'écrire des fonctions plus fiables.

Pour créer des API modernes et efficaces à l'aide de Python, FastAPI est recommandé; Il est basé sur des invites de type Python standard et peut générer automatiquement des documents, avec d'excellentes performances. Après avoir installé FastAPI et ASGI Server Uvicorn, vous pouvez écrire du code d'interface. En définissant les itinéraires, en écrivant des fonctions de traitement et en renvoyant des données, les API peuvent être rapidement construites. Fastapi prend en charge une variété de méthodes HTTP et fournit des systèmes de documentation SwaggerUI et Redoc générés automatiquement. Les paramètres d'URL peuvent être capturés via la définition du chemin, tandis que les paramètres de requête peuvent être implémentés en définissant des valeurs par défaut pour les paramètres de fonction. L'utilisation rationnelle des modèles pydantiques peut aider à améliorer l'efficacité du développement et la précision.

Ajoutez un contr?le de délai d'expiration à Python pour Loop. 1. Vous pouvez enregistrer l'heure de début avec le module Time, et juger s'il est chronométré dans chaque itération et utiliser la pause pour sauter de la boucle; 2. Pour les taches de classement des classements, vous pouvez utiliser la boucle while pour faire correspondre le jugement du temps et ajouter le sommeil pour éviter la plénitude du processeur; 3. Les méthodes avancées peuvent considérer le filetage ou le signal pour obtenir un contr?le plus précis, mais la complexité est élevée, et il n'est pas recommandé aux débutants de choisir; Résumé Points clés: le jugement de temps manuel est la solution de base, tandis que les taches de classe d'attente limitées dans le temps sont indispensables et les méthodes avancées conviennent à des scénarios spécifiques.

Dans Python, la méthode de traverser les tuples avec des boucles pour les boucles comprend directement itérer les éléments, obtenir des indices et des éléments en même temps, et le traitement des tuples imbriqués. 1. Utilisez la boucle pour accéder directement à chaque élément de séquence sans gérer l'index; 2. Utilisez EnuMerate () pour obtenir l'index et la valeur en même temps. L'indice par défaut est 0 et le paramètre de démarrage peut également être spécifié; 3. Les tuples imbriqués peuvent être déballés dans la boucle, mais il est nécessaire de s'assurer que la structure des sous-tables est cohérente, sinon une erreur de déballage sera augmentée; De plus, le tuple est immuable et le contenu ne peut pas être modifié dans la boucle. Les valeurs indésirables peuvent être ignorées par \ _. Il est recommandé de vérifier si le tuple est vide avant de traverser pour éviter les erreurs.

Comment gérer efficacement les grands fichiers JSON dans Python? 1. Utilisez la bibliothèque IJSON pour diffuser et éviter le débordement de mémoire via l'analyse par éléments par éléments; 2. S'il est au format JSONLINes, vous pouvez le lire ligne par ligne et le traiter avec json.loads (); 3. Ou divisez le grand fichier en petits morceaux, puis le traitez séparément. Ces méthodes résolvent efficacement le problème de limitation de la mémoire et conviennent à différents scénarios.

TOSENDEMAILSUSINGPYTHON, USETHESMTPLIBALEMALLIBRARY.1) Configuration
