当前位置:首页 > 文章列表 > 文章 > python教程 > Django模型嵌套序列化与Serializer技巧

Django模型嵌套序列化与Serializer技巧

2026-05-07 20:04:47 0浏览 收藏
本文深入解析了Django REST Framework中嵌套模型序列化的常见陷阱与实战解决方案:直接使用ModelSerializer处理外键或反向关联字段会导致仅返回ID、空列表甚至AttributeError,根本原因在于DRF默认不展开关联数据;文章手把手教你如何通过自定义子序列化器、重写create/update方法精准控制读写行为,并强调必须配合prefetch_related规避N+1查询问题,同时提醒深度嵌套的循环引用风险、反向字段的many=True和required=False等易忽略细节——掌握这些技巧,才能让API真正输出结构清晰、性能可靠、增删改查全支持的嵌套JSON数据。

Python Django怎么对嵌套模型序列化_重写Serializer处理关联表

为什么直接用 ModelSerializer 嵌套序列化会出错

因为 Django REST Framework 默认不会自动展开外键或反向关联字段,比如 author 是外键、posts 是 ForeignKey 的反向关系,直接在 fields 里写 'author' 或 'posts',返回的只是 ID 或空列表,不是嵌套对象。

常见错误现象:AttributeError: Got AttributeError when attempting to get a value for field `author` on serializer `BookSerializer`,或者返回数据里 "author": 1 而不是完整用户信息。

  • 外键正向关联(如 book.author)需显式声明为 AuthorSerializer 实例,不能只写 author
  • 反向关联(如 author.books_set)默认是 ReadOnlyField,必须设 many=True 并指定子序列化器
  • 若没加 read_only=True 或没提供 queryset,创建/更新时会报 Incorrect type. Expected pk value, received dict

怎么重写 Serializer 处理正向外键(如 author)

核心是把字段从默认的 PkRelatedField 替换为一个内联的或独立的 Serializer,并控制读写行为。

示例:让 BookSerializer 返回完整的 Author 对象,且允许创建时传作者 ID 或嵌套数据:

class BookSerializer(serializers.ModelSerializer):
    author = AuthorSerializer(read_only=False)  # 允许写入
class Meta:
    model = Book
    fields = ['id', 'title', 'author']

def create(self, validated_data):
    author_data = validated_data.pop('author', None)
    if author_data and 'id' not in author_data:
        author = Author.objects.create(**author_data)
        validated_data['author'] = author
    elif author_data:
        validated_data['author_id'] = author_data['id']
    return Book.objects.create(**validated_data)

  • 如果只要读取嵌套数据(不支持创建时传嵌套),直接用 author = AuthorSerializer(read_only=True) 即可
  • 若想支持创建时传 {"author": {"name": "xxx"}},必须重写 create(),否则 DRF 不知道如何处理字典型输入
  • 别漏掉 author_id 字段映射逻辑——DRF 不会自动把嵌套字典转成外键 ID

怎么序列化反向关联(如 author.books)并避免 N+1 查询

反向字段默认不包含在 ModelSerializer 中,必须手动添加,且容易触发未优化的数据库查询。

正确做法是:在 AuthorSerializer 中显式定义 books 字段,并在视图的 get_queryset() 里用 prefetch_related('books'):

class AuthorSerializer(serializers.ModelSerializer):
    books = BookSerializer(many=True, read_only=True)
class Meta:
    model = Author
    fields = ['id', 'name', 'books']

  • 必须加 many=True,否则报 TypeError: Object of type QuerySet is not JSON serializable
  • 不加 prefetch_related 会导致每个作者查一次所有书籍,100 个作者就发 100 次 SQL
  • 如果只需要部分字段(比如只返回书名和 ID),可用 SlugRelatedField:books = serializers.SlugRelatedField(slug_field='title', read_only=True, many=True)

嵌套序列化时最容易被忽略的两个点

一个是深度嵌套时的循环引用风险(比如 Book 嵌套 Author,Author 又嵌套 Book),另一个是写操作中嵌套字段的验证边界。

  • 循环引用不会报错,但会导致 JSON 序列化卡死或无限递归,用 depth = 1 是最简方案,但仅适用于单层嵌套;更稳妥的是在反向字段上加 exclude 或用 SerializerMethodField
  • 更新嵌套对象(如 PATCH /authors/1/ 同时改 author 和其 books)需要重写 update(),DRF 默认不支持嵌套更新,否则会静默忽略嵌套字段或抛 KeyError
  • 所有嵌套序列化器都建议加 required=False(尤其反向字段),否则反向关系为空时校验失败

今天关于《Django模型嵌套序列化与Serializer技巧》的内容就介绍到这里了,是不是学起来一目了然!想要了解更多关于的内容请关注golang学习网公众号!

JavaStream:字符串转Unicode码点流方法JavaStream:字符串转Unicode码点流方法
上一篇
JavaStream:字符串转Unicode码点流方法
Golang版本更新方法详解
下一篇
Golang版本更新方法详解
查看更多
最新文章
查看更多
课程推荐
  • 前端进阶之JavaScript设计模式
    前端进阶之JavaScript设计模式
    设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
    543次学习
  • GO语言核心编程课程
    GO语言核心编程课程
    本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
    516次学习
  • 简单聊聊mysql8与网络通信
    简单聊聊mysql8与网络通信
    如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
    500次学习
  • JavaScript正则表达式基础与实战
    JavaScript正则表达式基础与实战
    在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
    487次学习
  • 从零制作响应式网站—Grid布局
    从零制作响应式网站—Grid布局
    本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
    485次学习
查看更多
AI推荐
  • PubMedQA数据集详解:生物医学问答基准、功能与应用指南
    PubMedQA
    深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
    268次使用
  • H2O EvalGPT:开源LLM大模型评估与排行榜工具
    H2O EvalGPT
    H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
    321次使用
  • LMArena是什么?伯克利AI模型评估平台使用指南与功能解析
    LMArena
    LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
    306次使用
  • 斯坦福HELM:大语言模型Holistic Evaluation整体评估框架详解
    HELM
    深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
    282次使用
  • MMBench详解:多模态大模型基准测试、功能特点与使用指南
    MMBench
    MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
    100次使用