一、Django ORM性能问题的根源
咱们先来聊聊为什么Django ORM有时候会慢得像蜗牛爬。这玩意儿虽然用起来方便，但如果不注意，分分钟就能给你搞出N+1查询这种性能杀手。
举个典型例子，假设我们有个博客系统，要显示文章列表和每篇文章的评论数：
# models.py
class Article(models.Model):
title = models.CharField(max_length=100)
content = models.TextField()
class Comment(models.Model):
article = models.ForeignKey(Article, on_delete=models.CASCADE)
content = models.TextField()
# 错误的查询方式 - 会产生N+1问题
articles = Article.objects.all() # 第一次查询
for article in articles:
print(article.comment_set.count()) # 每次循环都产生一次查询
你看，这种写法会导致1次查询文章列表，然后每篇文章又单独查询评论数。如果有100篇文章，就是101次查询！这就是典型的N+1问题。
二、优化查询的五大绝招
1. select_related和prefetch_related
这两个是解决N+1问题的神器。select_related用于一对一或多对一关系，prefetch_related用于多对多或一对多关系。
# 优化后的查询 - 使用select_related
# 假设我们还有个Author模型
articles = Article.objects.select_related('author').all() # 一次性获取作者信息
# 使用prefetch_related优化评论查询
articles = Article.objects.prefetch_related('comment_set').all()
for article in articles:
print(len(article.comment_set.all())) # 不会产生额外查询
2. 只查询需要的字段
有时候我们只需要几个字段，却把整个模型都查出来了：
# 不好的做法
articles = Article.objects.all() # 查询所有字段
# 优化做法 - 使用only或defer
articles = Article.objects.only('id', 'title') # 只查询id和title
articles = Article.objects.defer('content') # 排除content字段
3. 批量操作代替循环
循环中执行数据库操作是大忌：
# 不好的做法
for article in Article.objects.all():
article.view_count += 1
article.save() # 每次循环都执行一次update
# 优化做法 - 使用update批量更新
Article.objects.all().update(view_count=F('view_count') + 1)
4. 合理使用annotate和aggregate
统计计算尽量在数据库层面完成：
from django.db.models import Count
# 统计每篇文章的评论数
articles = Article.objects.annotate(comment_count=Count('comment'))
for article in articles:
print(article.comment_count) # 不需要额外查询
5. 数据库索引优化
别忘了给常用查询字段加索引：
class Article(models.Model):
title = models.CharField(max_length=100, db_index=True) # 添加索引
created_at = models.DateTimeField(auto_now_add=True, db_index=True)
三、高级优化技巧
1. 使用values和values_list
当只需要部分字段时，这两个方法可以避免实例化完整模型对象：
# 返回字典列表
articles = Article.objects.values('id', 'title')
# 返回元组列表
article_titles = Article.objects.values_list('title', flat=True)
2. 批量创建对象
大量插入数据时，使用bulk_create：
# 普通方式 - 慢
comments = []
for i in range(1000):
comments.append(Comment(content=f'comment {i}'))
Comment.objects.create(content=f'comment {i}') # 每次插入都执行一次SQL
# 优化方式 - 快
Comment.objects.bulk_create(comments) # 一次性插入
3. 使用iterator处理大数据集
当需要处理大量数据时，iterator可以节省内存：
# 普通方式 - 会缓存所有结果
for article in Article.objects.all():
process(article)
# 优化方式 - 使用iterator
for article in Article.objects.all().iterator():
process(article) # 不会缓存结果，节省内存
四、实战案例分析
让我们看一个完整的优化案例。假设我们要实现一个功能：显示热门文章列表，包括文章标题、作者名和评论数。
优化前代码：
# views.py
def article_list(request):
articles = Article.objects.all() # 第一次查询
result = []
for article in articles:
author_name = article.author.name # 每次循环都查询作者
comment_count = article.comment_set.count() # 每次循环都查询评论
result.append({
'title': article.title,
'author': author_name,
'comments': comment_count
})
return JsonResponse(result, safe=False)
这段代码会产生1+N+M次查询（N是文章数，M是作者数），性能极差。
优化后代码：
# views.py
from django.db.models import Count
def article_list(request):
articles = Article.objects.select_related('author') # 一次性获取作者
.prefetch_related('comment_set') # 一次性获取评论
.annotate(comment_count=Count('comment')) # 计算评论数
.only('title', 'author__name') # 只查询需要的字段
result = [{
'title': article.title,
'author': article.author.name, # 不会产生额外查询
'comments': article.comment_count # 已经预先计算
} for article in articles]
return JsonResponse(result, safe=False)
优化后的代码只需要2次查询（1次获取文章和作者，1次获取评论），性能提升巨大。
五、性能监控与调试
优化不能靠猜，得用数据说话。Django提供了几个好用的性能分析工具：
- django-debug-toolbar：可以查看每个请求的SQL查询
- django-silk：更专业的性能分析工具
- EXPLAIN ANALYZE：直接在数据库层面分析查询计划
# 使用django-debug-toolbar查看查询
# settings.py
INSTALLED_APPS += ['debug_toolbar']
MIDDLEWARE += ['debug_toolbar.middleware.DebugToolbarMiddleware']
# 使用EXPLAIN分析查询
from django.db import connection
articles = Article.objects.filter(title__contains='Django')
print(connection.queries[-1]['sql']) # 获取最后执行的SQL
# 然后在数据库客户端执行EXPLAIN ANALYZE [上面的SQL]
六、总结与最佳实践
经过上面的分析，我们总结出Django ORM性能优化的几个关键点：
- 永远警惕N+1查询问题，合理使用select_related和prefetch_related
- 只查询需要的字段，避免不必要的数据传输
- 批量操作永远比循环操作高效
- 统计计算尽量在数据库层面完成
- 给常用查询字段添加适当的索引
- 大数据集处理使用iterator
- 使用性能分析工具找出真正的瓶颈
记住，没有放之四海而皆准的优化方案。在实际项目中，要根据具体场景和数据特点选择合适的优化策略。优化前先测量，优化后再测量，用数据说话才是王道。
最后提醒一点，ORM的优化不是万能的。当遇到特别复杂的查询时，不妨直接使用原生SQL，有时候简单粗暴的方法反而最有效。
评论