معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

Data orchestration for Django

ویژگی	مقدار
سیستم عامل	-
نام فایل	django-kck-0.0.9
نام	django-kck
نسخه کتابخانه	0.0.9
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Framework Labs
ایمیل نویسنده	fred@frameworklabs.us
آدرس صفحه اصلی	https://gitlab.com/frameworklabs/django-kck
آدرس اینترنتی	https://pypi.org/project/django-kck/
مجوز	BSD

# Django KCK Django KCK is data orchestration for Django. It can be used for: * scheduled data imports from remote sources * ensuring each data product kept fresh, either by updating at a regular interval or when there is a change in source data on upon which it depends * preparing complex data products in advance of a likely request * simplifying and optimizing complex data flows The development pattern Django KCK encourages for data products emphasizes compartmentalization and simplification over complexity, cached data with configurable refresh routines over real-time computation, and common-sense optimizations over sprawling distributed parallelism. ## History Django KCK is a simplified version of KCK that targets the Django environment exclusively. It also uses PostgreSQL as the cache backend, instead of Cassandra. ## Quick Install ## Basic Usage ``` # myapp/primers.py from kck import Primer class TitleListPrimer(Primer): key = 'title_list' parameters = [ {"name": "id", "from_str": int} ] def compute(self, key): param_dict = self.key_to_param_dict(key) results = [{ 'title': lkp_title(id) } for id in param_dict['id_list']] return results ``` ``` # myapp/views.py from kck import Cache from django.http import JsonResponse def first_data_product_view(request, author_id): cache = Cache.get_instance() title_list = cache.get(f'title_list/{author_id}') return JsonResponse(title_list) ``` ## Theory Essentially, Django KCK is a lazy-loading cache. Instead of warming the cache in advance, Django KCK lets a developer tell the cache how to prime itself in the event of a cache miss. If we don't warm the cache in advance and we ask the cache for a data product that depends on a hundred other data products in the cache, each of which either gathers or computes data from other sources, then this design will only generate or request the data that is absolutely necessary for the computation. In this way, Django KCK is able to do the last amount of work possible to accomplish the task. To further expedite the process or building derivative data products, Django KCK includes mechanisms that allow for periodic or triggered updates of data upon which a data product depends, such that it will be immediately available when a request is made. It also makes it possible to "augment" derivative data products with new information so that, for workloads that can take advantage of the optimization, a data product can be updated in place, without regenerating the product in its entirety. Where it works, this approach can turn minutes of computation into milliseconds.

نیازمندی

مقدار	نام
>=2.0.0	Django
>=2.2	python-dateutil
>=0.9.3	django-postgres-extensions
>=2.7.6.1	psycopg2-binary
==2.0	django-picklefield

نحوه نصب

نصب پکیج whl django-kck-0.0.9:

pip install django-kck-0.0.9.whl

نصب پکیج tar.gz django-kck-0.0.9:

pip install django-kck-0.0.9.tar.gz