微搭低代码入门04数据模型

目录

  • [1 创建数据模型](#1 创建数据模型)
  • [2 一对多](#2 一对多)
  • [3 通用选项集](#3 通用选项集)
  • [4 API](#4 API)
  • 总结

上一篇我们介绍了页面管理,页面是盛放组件的容器,组件在配置属性的时候需要进行数据绑定。数据是通过创建数据模型来进行存储,本篇我们介绍一下数据模型的相关操作。

1 创建数据模型

微搭底层的数据库叫flexdb,是一个文档型数据库。传统关系型数据库的表对应于微搭底层的集合,传统的记录对应于文档。和传统数据库不同的是,微搭的字段比较丰富,可以方便的存储各类数据。

打开控制台,找到数据模型,点击+号进行新建

输入数据源的名称,会自动生成标识

这里的标识一般用在我们的数据源相关的API中

数据模型创建之后,点击编辑,就可以添加字段

点击添加字段,就可以设置各类字段,字段类型常见的有文本、数字、数组、关联关系、图片、文件等

2 一对多

一般设计数据源的时候,可以参考传统的理论,比如数据库的范式理论

第一范式(1NF):在关系模型中,所有的域都应该是原子性的,即数据库表的每一列都是不可分割的原子数据项,而不能是集合、数组、记录等非原子数据项。简单来说,第一范式要求表中的数据项是原子的、不可再分的。

我们微搭中提供了数组、对象的字段类型,主要是为了方便开发小程序

第二范式(2NF):在1NF的基础上,非码属性必须完全依赖于候选码(消除非主属性对主码的部分函数依赖)。第二范式要求数据库表中的每个实例或记录必须可以被唯一地区分。

这里微搭为每个数据源都创建了数据标识(_id)确保记录的唯一性

第三范式(3NF):在2NF的基础上,任何非主属性不依赖于其他非主属性(消除传递依赖)。第三范式进一步限制了数据冗余,确保数据表中的每一列都直接与主键相关,而不是通过其他非主键列间接相关

在遵循范式的基础上,为了消除冗余,我们通常是做表拆分。表拆分就需要确定主表和子表的关系。那什么作为主表呢?通常考虑如果在数据录入的时候,需要做下拉选择,而且需要运营人员日后维护数据的,我们考虑将这类数据拆分为主表。

比如产品和产品分类关系,在录入产品的时候通常需要选择分类,这样将分类表拆分为主表,产品表作为子表。


这样拆分之后,我们在录入数据的时候,产品分类就可以作为下拉项进行选择,避免了直接录入数据不准确的问题

至于怎么做表拆分,这是一个经验的问题,你在实际开发尤其上线在不停地维护中就可以检验你的表设计的是否合理。

3 通用选项集

通用选项集可以理解为数据字典,通常我们的字段设置为枚举类型的,日后需要维护选项的可以考虑在通用选项集里维护

什么字段设置为枚举项,比如我们订单的状态,有卖家已付款,商家已确认,待收货,已完成这些。在用户状态分为待审核、已审核、未通过的区分,主要还是用来完成流程状态的区分。

4 API

API作为微搭的后端,提供了Http接口、自定义代码和云函数的三个选项

如果希望集成第三方能力的,可以选择Http接口,比如我现在有一个获取地图数据的接口

https://geo.datav.aliyun.com/areas_v3/bound/100000_full.json

请求的类型可以选择GET,输入URL,然后点击方法测试就可以看到返回的结果

测试成功之后点击出参映射,我们的接口就开发完了。API开发完之后就可以在小程序里调用,我们在自定义方法里介绍如何调用API

自定义代码相当于简化版的云函数,不能安装npm包,但可以使用官方封装的各类API。云函数就比较灵活了,可以安装第三方npm包,可以按照需要编制后端代码

总结

我们本篇介绍了数据源的创建方法,介绍了通选选项集的概念,介绍了API的各种能力。当然要用好这些能力就必须熟练掌握nodejs,只有基本功打扎实才能够写出自己想要的功能来。

相关推荐
布列瑟农的星空1 天前
低代码平台实践——代码编辑器
低代码
colorknight1 天前
1.2.3 HuggingFists安装说明-MacOS安装
人工智能·低代码·macos·huggingface·数据科学·ai agent
Kenneth風车3 天前
【机器学习(十)】时间序列案例之月销量预测分析—Holt-Winters算法—Sentosa_DSML社区版
人工智能·低代码·机器学习·数据挖掘·数据分析·时间序列·零代码开发
BPM_宏天低代码5 天前
低代码用户中心:构建高效便捷的用户管理平台
低代码
diygwcom5 天前
低代码可视化-UniApp二维码可视化-代码生成器
低代码·uni-app
勤研科技6 天前
低代码时代的企业信息化:规范与标准化的重要性
低代码
Kenneth風车6 天前
【机器学习(十一)】机器学习分类案例之是否患糖尿病预测—XGBoost分类算法—Sentosa_DSML社区版
人工智能·低代码·机器学习·数据挖掘·数据分析·机器学习分类·xgboost算法
爱跑步的程序员~6 天前
若依框架使用教程
vue.js·低代码·mybatis·springboot
易云码7 天前
JAVA集成工作流实际项目操作参考,springboot,vue,activiti,在线流程绘制,会签,退回,网关,低代码,
安全·低代码·系统安全·设计规范
Kenneth風车7 天前
【机器学习(八)】分类和回归任务-因子分解机(Factorization Machines,FM)算法-Sentosa_DSML社区版
人工智能·低代码·机器学习·分类·数据挖掘·数据分析·回归