def delete_selected(modeladmin, request, queryset): """ Default action which deletes the selected objects. This action first displays a confirmation page which shows all the deletable objects, or, if the user has no permission one of the related childs (foreignkeys), a "permission denied" message. Next, it deletes all selected objects and redirects back to the change list. """ opts = modeladmin.model._meta app_label = opts.app_label # Check that the user has delete permission for the actual model if not modeladmin.has_delete_permission(request): raise PermissionDenied using = router.db_for_write(modeladmin.model) # Populate deletable_objects, a data structure of all related objects that # will also be deleted. deletable_objects, model_count, perms_needed, protected = get_deleted_objects( queryset, opts, request.user, modeladmin.admin_site, using) # The user has already confirmed the deletion. # Do the deletion and return a None to display the change list view again. if request.POST.get('post') and not protected: if perms_needed: raise PermissionDenied n = queryset.count() if n: for obj in queryset: obj_display = force_text(obj) modeladmin.log_deletion(request, obj, obj_display) queryset.delete() modeladmin.message_user(request, _("Successfully deleted %(count)d %(items)s.") % { "count": n, "items": model_ngettext(modeladmin.opts, n) }, messages.SUCCESS) # Return None to display the change list page again. return None if len(queryset) == 1: objects_name = force_text(opts.verbose_name) else: objects_name = force_text(opts.verbose_name_plural) if perms_needed or protected: title = _("Cannot delete %(name)s") % {"name": objects_name} else: title = _("Are you sure?") context = dict( modeladmin.admin_site.each_context(request), title=title, objects_name=objects_name, deletable_objects=[deletable_objects], model_count=dict(model_count).items(), queryset=queryset, perms_lacking=perms_needed, protected=protected, opts=opts, action_checkbox_name=helpers.ACTION_CHECKBOX_NAME, media=modeladmin.media, ) request.current_app = modeladmin.admin_site.name # Display the confirmation page return TemplateResponse(request, modeladmin.delete_selected_confirmation_template or [ "admin/%s/%s/delete_selected_confirmation.html" % (app_label, opts.model_name), "admin/%s/delete_selected_confirmation.html" % app_label, "admin/delete_selected_confirmation.html" ], context) delete_selected.short_description = ugettext_lazy("Delete selected %(verbose_name_plural)s")

时间: 2024-02-14 10:07:01 浏览: 252
这段代码定义了一个默认的 Django Admin 后台操作,用于批量删除选中的对象。具体来说,这个操作会首先显示一个确认页面,列出所有将被删除的对象,以及与这些对象相关的其他对象(例如外键关联的对象)。如果用户没有删除权限,或者某些对象受到保护,则会显示一个“无权删除”或“不能删除”的消息。如果用户确认删除操作,则会删除所有选中的对象,并重定向到对象列表页面。 在代码中,`delete_selected()` 函数接受三个参数:`modeladmin` 表示 Django admin 后台的管理器对象,`request` 表示当前的 HTTP 请求对象,`queryset` 表示选中的对象的 QuerySet。函数首先获取模型的元数据信息,然后检查当前用户是否有删除权限。如果没有权限,则会引发 `PermissionDenied` 异常。接下来,函数调用 `get_deleted_objects()` 方法获取所有将被删除的对象及相关对象的信息,并根据用户的选择执行删除操作或者显示确认页面。最后,函数返回一个 `TemplateResponse` 对象,用于显示确认页面或者执行删除操作后的重定向。此外,函数还定义了一个 `short_description` 属性,用于在 Django admin 后台中显示操作名称。
相关问题

from django.contrib import admin from django.urls import reverse from django.utils.html import format_html from django.shortcuts import redirect from .models import Drug @admin.register(Drug) class DrugAdmin(admin.ModelAdmin): change_list_template = 'admin/drug/change_list.html' def get_urls(self): urls = super().get_urls() custom_urls = [ path('import-csv/', self.import_csv), ] return custom_urls + urls def import_csv(self, request): if request.method == 'POST': # TODO: import CSV data self.message_user(request, 'CSV data imported successfully') return redirect('..') return render(request, 'admin/drug/import_csv.html') def changelist_view(self, request, extra_context=None): if not request.GET.get('ordering'): # set default ordering request.GET = request.GET.copy() request.GET['ordering'] = 'name' return super().changelist_view(request, extra_context=extra_context) def interaction_display(self, obj): return format_html('<pre>{}</pre>', obj.interaction) interaction_display.short_description = 'Interaction' def get_actions(self, request): actions = super().get_actions(request) del actions['delete_selected'] return actions def delete_model(self, request, obj): # TODO: delete model pass def delete_selected(self, request, queryset): # TODO: delete selected models pass def get_queryset(self, request): qs = super().get_queryset(request) qs = qs.order_by('name') return qs def add_view(self, request, form_url='', extra_context=None): self.change_list_template = None return super().add_view(request, form_url=form_url, extra_context=extra_context) def change_view(self, request, object_id, form_url='', extra_context=None): self.change_list_template = None return super().change_view(request, object_id, form_url=form_url, extra_context=extra_context) def delete_view(self, request, object_id, extra_context=None): self.change_list_template = None return super().delete_view(request, object_id, extra_context=extra_context) 怎么重写ModelAdmin中的特性

可以通过在自定义的ModelAdmin中重写一些特定的方法来改变其行为,例如: 1. get_urls():返回一个包括自定义URL路由的URLconf列表。 2. changelist_view():返回一个HttpResponse对象,它将呈现显示模型对象的更改列表视图。 3. add_view():返回一个HttpResponse对象,它将呈现用于添加新模型对象的视图。 4. change_view():返回一个HttpResponse对象,它将呈现用于更改现有模型对象的视图。 5. delete_view():返回一个HttpResponse对象,它将呈现用于删除现有模型对象的视图。 6. get_queryset():返回一个查询集,该查询集包含ModelAdmin管理的模型对象。 7. get_actions():返回一个字典,其中包含ModelAdmin提供的所有批量操作。 8. delete_model():删除指定的模型对象。 9. delete_selected():批量删除指定的模型对象。 通过重写这些方法,您可以更改ModelAdmin管理的模型对象的默认行为,并添加自定义功能。

def sort(request): if request.POST: post=request.POST stu_list=[] if(post["subject"]=="sum"): stu_list=Student1.objects.order_by("-sum")#order_by 方法将返回一个 QuerySet 对象,该对象包含了按照指定排序规则排序后的数据 elif(post["subject"]=="math"): stu_list=Student1.objects.order_by("-math") elif (post["subject"]=="chinese"): stu_list=Student1.objects.order_by("-chienese") elif (post["subject"]=="english"): stu_list=Student1.objects.order_by("-english") elif (post["subject"]=="physics"): stu_list=Student1.objects.order_by("-physics") elif (post["subject"]=="chemistry"): stu_list=Student1.objects.order_by("-chemistry") elif (post["subject"]=="biology"): stu_list=Student1.objects.order_by("-biology") return render(request,'sort.html',locals())

这段代码是一个 Django 视图函数,用于实现成绩排序功能。具体实现过程如下: 1. 接收一个 POST 请求,从请求参数中获取要排序的科目名。 2. 根据不同的科目名,使用 order_by 方法对 Student1 模型中的数据进行排序,返回一个排序后的 QuerySet 对象。 3. 将排序后的数据传递给模板,渲染成 HTML 页面并返回给客户端。 需要注意的是,这段代码中使用了 locals() 函数将当前作用域中的所有变量打包成一个字典,传递给模板进行渲染。在模板中可以直接访问这些变量,比如可以通过 stu_list 变量获取排序后的学生信息。
阅读全文

相关推荐

优化代码class FileManager_listview(ListView): """利用django的五大视图中的ListView来显示数据 同时添加了排序功能 """ # 查询模型 model = FileManager # 指定模型为UserInfo # TODO 待完善 extra_context待实验 # 设置模型外的数据 # extra_context = {'title': '人员信息表'} # 获取并判断搜索条件 # 设置模版文件 template_name = 'zadmin/pages/File_Manager.html' # 指定模板 # 设置模板上下文,即为模板变量进行命名 context_object_name = 'files' # 指定在模板中使用的变量为customers # 每页的展示多少条数据 paginate_by = 10 # 注意下面一行, 获取智能页码范围,并传递给模板 # page_range = paginator.get_elided_page_range(page, on_each_side=3, on_ends=2) # 可以自定义查询集 # TODO 应该是可以指定一个数据库中的部分数据吧 # queryset = UserInfo.objects.all() # 重写get_queryset方法,对数据进行过滤排序 def get_queryset(self): """ 查询 :return: """ queryset = super().get_queryset() mywhere = [] order_by = self.request.GET.get('order_by', None) search_keyword = self.request.GET.get("search", None) # Q就是或 if search_keyword: # 构造查询条件 kwlist = Q(username__contains=search_keyword) | Q(realname__contains=search_keyword) | Q( phone__contains=search_keyword) # # 保持搜索条件 # mywhere.append('search=' + search_keyword) # 将搜索参数存储在Session中 self.request.session['search_keyword'] = search_keyword messages.success(self.request, '搜索结果') else: # 清除Session中的搜索参数 self.request.session.pop('search_query', None) # return queryset.filter(kwlist) return queryset

最新推荐

recommend-type

django model 条件过滤 queryset.filter(**condtions)用法详解

`queryset.filter(**conditions)`是Django ORM(对象关系映射)中用于筛选和检索数据库记录的重要方法。本篇文章将深入探讨`queryset.filter()`的用法及其相关的条件过滤操作。 首先,`queryset.filter(**...
recommend-type

python实现合并多个list及合并多个django QuerySet的方法示例

在Python编程中,合并多个列表或Django的QuerySet是常见的需求。本文将详细介绍如何使用Python的`itertools.chain`函数以及Django中合并QuerySet的不同方法。 首先,让我们来看看如何使用`itertools.chain`来合并多...
recommend-type

django 数据库返回queryset实现封装为字典

在Django框架中,处理数据库查询结果时,通常会返回一个QuerySet对象。QuerySet是Django ORM(对象关系映射)的核心部分,它提供了丰富的查询API和缓存机制。然而,当你需要将这些查询结果转换成更便于处理的数据...
recommend-type

基于net的超市管理系统源代码(完整前后端+sqlserver+说明文档+LW).zip

功能说明: 环境说明: 开发软件:VS 2017 (版本2017以上即可,不能低于2017) 数据库:SqlServer2008r2(数据库版本无限制,都可以导入) 开发模式:mvc。。。
recommend-type

LABVIEW程序实例-公式节点.zip

labview程序代码参考学习使用,希望对你有所帮助。
recommend-type

Windows平台下的Fastboot工具使用指南

资源摘要信息:"Windows Fastboot.zip是一个包含了Windows环境下使用的Fastboot工具的压缩文件。Fastboot是一种在Android设备上使用的诊断和工程工具,它允许用户通过USB连接在设备的bootloader模式下与设备通信,从而可以对设备进行刷机、解锁bootloader、安装恢复模式等多种操作。该工具是Android开发者和高级用户在进行Android设备维护或开发时不可或缺的工具之一。" 知识点详细说明: 1. Fastboot工具定义: Fastboot是一种与Android设备进行交互的命令行工具,通常在设备的bootloader模式下使用,这个模式允许用户直接通过USB向设备传输镜像文件以及其他重要的设备分区信息。它支持多种操作,如刷写分区、读取设备信息、擦除分区等。 2. 使用环境: Fastboot工具原本是Google为Android Open Source Project(AOSP)提供的一个组成部分,因此它通常在Linux或Mac环境下更为原生。但由于Windows系统的普及性,许多开发者和用户需要在Windows环境下操作,因此存在专门为Windows系统定制的Fastboot版本。 3. Fastboot工具的获取与安装: 用户可以通过下载Android SDK平台工具(Platform-Tools)的方式获取Fastboot工具,这是Google官方提供的一个包含了Fastboot、ADB(Android Debug Bridge)等多种工具的集合包。安装时只需要解压到任意目录下,然后将该目录添加到系统环境变量Path中,便可以在任何位置使用Fastboot命令。 4. Fastboot的使用: 要使用Fastboot工具,用户首先需要确保设备已经进入bootloader模式。进入该模式的方法因设备而异,通常是通过组合特定的按键或者使用特定的命令来实现。之后,用户通过运行命令提示符或PowerShell来输入Fastboot命令与设备进行交互。常见的命令包括: - fastboot devices:列出连接的设备。 - fastboot flash [partition] [filename]:将文件刷写到指定分区。 - fastboot getvar [variable]:获取指定变量的值。 - fastboot reboot:重启设备。 - fastboot unlock:解锁bootloader,使得设备能够刷写非官方ROM。 5. Fastboot工具的应用场景: - 设备的系统更新或刷机。 - 刷入自定义恢复(如TWRP)。 - 在开发阶段对设备进行调试。 - 解锁设备的bootloader,以获取更多的自定义权限。 - 修复设备,例如清除用户数据分区或刷写新的boot分区。 - 加入特定的内核或修改系统分区。 6. 注意事项: 在使用Fastboot工具时需要格外小心,错误的操作可能会导致设备变砖或丢失重要数据。务必保证操作前已备份重要数据,并确保下载和刷入的固件是针对相应设备的正确版本。此外,不同的设备可能需要特定的驱动程序支持,因此在使用Fastboot之前还需要安装相应的USB驱动。 7. 压缩包文件说明: 资源中提到的"windows-fastboot.zip"是一个压缩文件,解压后应当包含一个或多个可执行文件、库文件等,这些文件合起来组成了Fastboot工具的Windows版本。解压后,用户应当参考解压后的文档或说明文件来进行安装和配置,以便能够正确地使用该工具。 总结而言,Fastboot作为一个功能强大的工具,它为Android设备的开发者和高级用户提供了一个界面简洁但功能全面的操作平台,以实现对设备深层次的控制。然而,它的使用要求用户具备一定的技术知识和经验,否则不当操作可能导致设备损坏。因此,使用Fastboot时应当谨慎并确保自己了解每个命令的具体含义和后果。
recommend-type

管理建模和仿真的文件

管理Boualem Benatallah引用此版本:布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学,1996年。法语。NNT:电话:00345357HAL ID:电话:00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆,用于存放和传播科学研究论文,无论它们是否被公开。论文可以来自法国或国外的教学和研究机构,也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire
recommend-type

DLMS规约深度剖析:从基础到电力通信标准的全面掌握

![DLMS规约基础介绍](https://afteracademy.com/images/what-is-data-model-in-dbms-and-what-are-its-types-hierarchical-model-48add64778fd4b8f.jpg) # 摘要 DLMS/COSEM是一种广泛应用于智能电网和电力计量领域的通信协议。本文首先介绍了DLMS规约的基础概念、起源以及核心技术原理,包括协议架构、数据模型、通信过程、数据封装与传输机制。随后,文章探讨了DLMS规约在电力通信中的实际应用,如智能电表和电网自动化系统的数据通信,并分析了DLMS规约的测试与验证方法。文
recommend-type

修改代码,使其正确运行

要使提供的代码能够正确运行,需要解决以下几个关键点: 1. **输入处理**:确保从控制台读取的文法规则和待解析字符串格式正确。 2. **FIRST集和FOLLOW集计算**:确保FIRST集和FOLLOW集的计算逻辑正确无误。 3. **预测分析表构建**:确保预测分析表的构建逻辑正确,并且能够处理所有可能的情况。 4. **LL(1)分析器**:确保LL(1)分析器能够正确解析输入字符串并输出解析过程。 以下是经过修改后的完整代码: ```java package com.example.demo10; import java.util.*; public class Main
recommend-type

Python机器学习基础入门与项目实践

资源摘要信息:"机器学习概述与Python在机器学习中的应用" 机器学习是人工智能的一个分支,它让计算机能够通过大量的数据学习来自动寻找规律,并据此进行预测或决策。机器学习的核心是建立一个能够从数据中学习的模型,该模型能够在未知数据上做出准确预测。这一过程通常涉及到数据的预处理、特征选择、模型训练、验证、测试和部署。 机器学习方法主要可以分为监督学习、无监督学习、半监督学习和强化学习。 监督学习涉及标记好的训练数据,其目的是让模型学会从输入到输出的映射。在这个过程中,模型学习根据输入数据推断出正确的输出值。常见的监督学习算法包括线性回归、逻辑回归、支持向量机(SVM)、决策树、随机森林和神经网络等。 无监督学习则是处理未标记的数据,其目的是探索数据中的结构。无监督学习算法试图找到数据中的隐藏模式或内在结构。常见的无监督学习算法包括聚类、主成分分析(PCA)、关联规则学习等。 半监督学习和强化学习则是介于监督学习和无监督学习之间的方法。半监督学习使用大量未标记的数据和少量标记数据进行学习,而强化学习则是通过与环境的交互来学习如何做出决策。 Python作为一门高级编程语言,在机器学习领域中扮演了非常重要的角色。Python之所以受到机器学习研究者和从业者的青睐,主要是因为其丰富的库和框架、简洁易读的语法以及强大的社区支持。 在Python的机器学习生态系统中,有几个非常重要的库: 1. NumPy:提供高性能的多维数组对象,以及处理数组的工具。 2. Pandas:一个强大的数据分析和操作工具库,提供DataFrame等数据结构,能够方便地进行数据清洗和预处理。 3. Matplotlib:一个用于创建静态、动态和交互式可视化的库,常用于生成图表和数据可视化。 4. Scikit-learn:一个简单且高效的工具,用于数据挖掘和数据分析,支持多种分类、回归、聚类算法等。 5. TensorFlow:由Google开发的开源机器学习库,适用于大规模的数值计算,尤其擅长于构建和训练深度学习模型。 6. Keras:一个高层神经网络API,能够使用TensorFlow、CNTK或Theano作为其后端进行计算。 机器学习的典型工作流程包括数据收集、数据预处理、特征工程、模型选择、训练、评估和部署。在这一流程中,Python可以贯穿始终,从数据采集到模型部署,Python都能提供强大的支持。 由于机器学习的复杂性,一个成功的机器学习项目往往需要跨学科的知识,包括统计学、数学、计算机科学、数据分析等领域。因此,掌握Python及其相关库的使用只是机器学习工作的一部分,还需要有扎实的理论基础和实践经验。 总结来说,机器学习是一个涉及数据挖掘、统计分析、算法优化等多个领域的综合性科学。Python由于其简洁的语法、丰富的库支持和强大的社区力量,成为了进行机器学习研究和应用开发的首选语言。随着技术的不断进步和算法的持续优化,机器学习的应用领域也在不断扩大,从早期的搜索引擎、推荐系统到现代的自动驾驶、医疗诊断等领域都有着广泛的应用。