Python Django中如何实现点赞收藏的计数功能_使用F表达式避免竞争条件

· 日常编程 · 23221

直接obj.likes += 1在并发下丢数据，是因为该操作分“读-改-写”三步：先查出旧值（如99），Python内存中加1得100，再保存；若两个请求同时执行，均基于99计算并写入100，最终结果为100而非102，造成更新丢失。

为什么直接 obj.likes += 1 在并发下会丢数据

多个用户几乎同时点赞时，Django 默认先查出当前 likes 值（比如 99），各自加 1 得到 100，再保存——最终结果是 100 而不是正确的 102。这不是 bug，而是读-改-写操作天然的竞态窗口。

根本问题在于：这个操作没在数据库层面原子化。Python 层面的加法和 save() 是两步，中间可能被其他请求插入。

  • 现象：后台日志显示多次点赞，但数据库计数增长慢、不一致
  • 场景：高并发文章/评论/视频点赞页、收藏夹批量操作
  • 关键点：F 表达式把计算逻辑下推到数据库执行，整个更新语句是一条 SQL，由 DB 锁保证原子性

用 F 实现点赞/收藏的原子增减

假设模型是 Article，字段为 likes 和 favorites：

from django.db.models import F

点赞 +1（安全）
Article.objects.filter(id=article_id).update(likes=F('likes') + 1)
取消点赞 -1（也安全）
Article.objects.filter(id=article_id).update(likes=F('likes') - 1)
收藏 +1，同时记录用户关系（需额外逻辑）
Article.objects.filter(id=article_id).update(favorites=F('favorites') + 1)

注意：update() 不会触发模型的 save() 方法或信号，所以如果有依赖 post_save 的逻辑（如缓存更新），得手动补上。

  • 必须用 filter().update()，不能用 instance.save() —— 后者仍走 Python 层计算
  • F 表达式只在 QuerySet 更新时生效，get() + F 没用
  • 如果要校验状态（如“未点赞才可点”），需用 select_for_update() 或数据库唯一约束配合事务

处理「用户已点过」这类业务逻辑

F 解决了计数本身，但“是否允许点赞”是另一层判断。常见做法是建关联表（如 ArticleLike），再用 exists() + update() 组合：

go语言参考手册 中文CHM版

Go 是一个开源的编程语言，它能让构造简单、可靠且高效的软件变得容易。本文给大家带来Go参考手册，需要的可以来下载！ Go是从2007年末由Robert Griesemer, Rob Pike, Ken Thompson主持开发，后来还加入了Ian Lance Taylor, Russ Cox等人，并最终于2009年11月开源，在2012年早些时候发布了Go 1稳定版本。现在Go的开发已经是完全开放的，并且拥有一个活跃的社区。 Go 语言特色 简洁、快速、安全 并行、有趣、开源 内存管理、v数组安全、编译

# 先查是否已点
liked = ArticleLike.objects.filter(user=user, article_id=article_id).exists()

if not liked:
原子增计数 + 记录关系
with transaction.atomic():
    Article.objects.filter(id=article_id).update(likes=F('likes') + 1)
    ArticleLike.objects.create(user=user, article_id=article_id)




这里 transaction.atomic() 保证两个操作要么全成功，要么全失败；而 ArticleLike 表的 (user_id, article_id) 应设为唯一索引，防止重复插入。


    

  • 错误做法：先 get_or_create 再 update —— 中间有竞态，可能创建两次
    • 

  • 更健壮方案：用 INSERT ... ON CONFLICT DO NOTHING（PostgreSQL）或 INSERT IGNORE（MySQL），避免事务阻塞
    • 

  • 
F 无法做条件判断（如“仅当 likes Case/When 或原生 SQL
    • 



性能与缓存怎么配合


高频读场景下，每次查 likes 字段仍可能压数据库。建议加一层缓存，但更新时必须同步：


    

  • 用 cache.incr('article:123:likes') 配合 Redis 原子计数器，比 DB 更快
    • 

  • 但 DB 是唯一真相源，缓存更新失败不能影响 DB 计数 —— 所以 DB 更新用 F 保证正确，缓存更新失败可异步重试
    • 

  • 不要用 cache.set('article:123', obj) 缓存整个对象，因为 F 更新不触发 save()，缓存就 stale 了
    • 

  • 如果用 Redis，注意 INCR 返回新值，可直接用于前端响应，避免再查 DB
    • 



真正容易被忽略的是：F 表达式不会调用字段的 default 或 validators，也不会触发 pre_save 信号。如果你的计数字段有业务约束（比如不能为负），得在数据库层加 CHECK 约束，而不是靠 Django 模型验证。

相关推荐：

如何实现Python中线程安全的单例模式_使用元类metaclass或Lock加锁

因为__new__不是原子操作：线程A判断_instance为None后，未执行super().__new__前，线程B也判为None，导致重复创建；GIL不保护跨语句逻辑，需用双重检查锁定（DCL）加threading.Lock确保线程安全。 为什么直接用 __new__ 实现单例在多线程下会失效 因为 __new__ 本身不是原子操作：线程 A 判断 _instance 为 None 后，还没...

Python如何实现图的深度优先遍历_基于栈结构或递归函数实现

递归DFS栈溢出风险高因CPython默认递归深度仅1000，长链或环易触发RecursionError；隐式栈不可控，闭包和帧对象加剧内存开销；图应优先用显式栈实现。 递归实现DFS时，为什么栈溢出风险比预期高？ Python默认递归深度限制是1000层，图中存在长链或环状结构时极易触发RecursionError。这不是算法错，而是CPython解释器对递归调用的硬性约束。 用sys.setr...

高效实现 Pandas DataFrame 中基于多列的条件列创建

本文介绍多种优化方法，帮助你在处理大规模数据时高效创建条件列，包括向量化操作、numpy.select、pd.cut 和缓存函数调用等策略，显著减少计算开销并提升可读性与执行速度。 本文介绍多种优化方法，帮助你在处理大规模数据时高效创建条件列，包括向量化操作、`numpy.select`、`pd.cut` 和缓存函数调用等策略，显著减少计算开销并提升可读性与执行速度。 在 Pandas 中为大型 ...

Python怎么优雅地解构嵌套元组数据_利用星号表达式处理冗余项

星号表达式（）在解构中只能出现一次且仅限当前层级，嵌套结构中使用（如(a, b, (c, *d))）会报SyntaxError；正确做法是分步解构或改用索引/切片。 用 * 解构嵌套元组时，为什么报错 SyntaxError: two starred expressions 星号表达式（*）在解构中只能出现一次，且不能和另一个 * 共存。常见错误是想对嵌套结构里多层都用 *，比如：a, *b, (...

Pandas 中按列分组统计满足条件的唯一值数量并筛选结果

本文介绍如何在 Pandas 中基于多条件过滤（如 colC > 0 且 colB 属于指定集合），按 colA 分组统计 colB 的唯一值个数，并仅保留计数大于 2 的分组，最终导出对应原始数据子集。 本文介绍如何在 pandas 中基于多条件过滤（如 `colc > 0` 且 `colb` 属于指定集合），按 `cola` 分组统计 `colb` 的唯一值个数，并仅保留计数大于 ...

Python如何实现一致性哈希算法_解决分布式缓存数据分配不均

一致性哈希通过固定哈希空间（如2^32）构建环形结构，节点和数据映射其上并顺时针就近分配；增删节点仅影响邻近区间，大幅减少数据迁移；引入虚拟节点可缓解物理节点分布不均问题，提升负载均衡性。 直接用 hash_ring 库最省事，但真要自己写、调参或排查分布不均问题，必须理解虚拟节点数量、哈希函数输出范围、环结构更新时机这三个关键点。 为什么简单取模（hash(key) % N）在节点变动时会崩 节...

高效优化 Pandas 中基于多列的条件列生成

本文介绍多种高效构建条件列的方法，重点对比 apply + 缓存、向量化操作与 numpy.select 等方案，帮助你在处理万级数据时显著提升性能并保持代码可读性。 本文介绍多种高效构建条件列的方法，重点对比 `apply` + 缓存、向量化操作与 `numpy.select` 等方案，帮助你在处理万级数据时显著提升性能并保持代码可读性。 在 Pandas 中为大型 DataFrame（如 20...

Python中Scikit-learn如何实现半监督学习_利用LabelPropagation

LabelPropagation要求数据具备局部平滑性，特征须标准化，未标记样本标签必须为-1，且需至少两个已标记类别；拟合用transduction_获取全部预测，不提供置信度，对噪声敏感。 LabelPropagation 在 scikit-learn 中的适用前提 LabelPropagation 不是万能半监督工具，它要求数据天然具备“局部平滑性”——即相似样本大概率共享标签。如果特征空间...

Spark SQL 中解析嵌套布尔表达式并生成逻辑分解步骤的完整教程

本文介绍如何在 Spark SQL 环境中准确解析含多层括号的布尔表达式（如 A1 AND (A4 OR (A2 AND A3))），并按运算优先级递归生成带编号逻辑标签（如 logic1, logic2）的中间表达式序列，解决纯 SQL 字符串分割无法处理嵌套结构的根本问题。 本文介绍如何在 spark sql 环境中准确解析含多层括号的布尔表达式（如 `a1 and (a4 or (a2 an...