Metadata-Version: 2.4
Name: classic-db-tools
Version: 3.0.0
Summary: Classic DB tools
Author-email: Sergey Variasov <variasov@gmail.com>
License: The MIT License
        
        Copyright (c) 2016 HashedIn Technologies Pvt. Ltd.
        Copyright (c) 2021 Sripathi Krishnan
        Copyright (c) 2024 Sergey Variasov, Dmitry Ilyenko
        
        Permission is hereby granted, free of charge, to any person obtaining a copy
        of this software and associated documentation files (the "Software"), to deal
        in the Software without restriction, including without limitation the rights
        to use, copy, modify, merge, publish, distribute, sublicense, and/or sell
        copies of the Software, and to permit persons to whom the Software is
        furnished to do so, subject to the following conditions:
        
        The above copyright notice and this permission notice shall be included in
        all copies or substantial portions of the Software.
        
        THE SOFTWARE IS PROVIDED "AS IS", WITHOUT WARRANTY OF ANY KIND, EXPRESS OR
        IMPLIED, INCLUDING BUT NOT LIMITED TO THE WARRANTIES OF MERCHANTABILITY,
        FITNESS FOR A PARTICULAR PURPOSE AND NONINFRINGEMENT. IN NO EVENT SHALL THE
        AUTHORS OR COPYRIGHT HOLDERS BE LIABLE FOR ANY CLAIM, DAMAGES OR OTHER
        LIABILITY, WHETHER IN AN ACTION OF CONTRACT, TORT OR OTHERWISE, ARISING FROM,
        OUT OF OR IN CONNECTION WITH THE SOFTWARE OR THE USE OR OTHER DEALINGS IN
        THE SOFTWARE.
        
        
Project-URL: Homepage, https://github.com/variasov/classic-db-tools
Keywords: Jinja2,SQL,Python,Template
Classifier: Development Status :: 4 - Beta
Classifier: Environment :: Console
Classifier: Intended Audience :: Developers
Classifier: Operating System :: OS Independent
Classifier: Programming Language :: Python
Classifier: Programming Language :: Python :: 3
Classifier: Programming Language :: Python :: 3.10
Classifier: Programming Language :: Python :: 3 :: Only
Requires-Python: >=3.10
Description-Content-Type: text/markdown
License-File: LICENSE
Requires-Dist: Jinja2~=3.1
Requires-Dist: frozendict~=2.4.7
Provides-Extra: criteria
Requires-Dist: classic-criteria==0.2.1; extra == "criteria"
Dynamic: license-file

# Classic DB Tools

Идея библиотеки заключается в попытке работать с SQL-запросами как с шаблонами Jinja.
Вдохновлено [embrace](https://pypi.org/project/embrace/) и 
[jinjasql](https://pypi.org/project/jinjasql/), оттуда же бралась часть кода.

## Установка:
```shell
pip install classic-db-tools
```

```python
from classic.db_tools import Engine
import psycopg

# Создание движка с драйвером БД
engine = Engine(
    psycopg,
    lambda: psycopg.connect(
        host='localhost',
        port='5432',
        dbname='tasks',
        user='test',
        password='test'
    ),
    templates_dirs='path/to/sql/templates/dir'
)

# При входе в контекст движок займет соединение в пуле,
# на выходе, по дефолту, закоммитит
with engine.transaction():
    # Создание схемы:
    engine.query_from('tasks/ddl.sql').execute()
    
    # Сохранение данных
    engine.query_from('tasks/save.sql').executemany([
        {'title': 'Some Task', 'body': 'Do something'},
        {'title': 'Another Task', 'body': 'Do anything'},
    ])
    
    # Получение данных
    task = engine.query_from('tasks/get_by_id.sql').one(id=1)
    # (1, 'Some Task', 'Do something')
```

В директории sql рядом с .py файлом надо разместить 3 файла
(можно найти в директории test/example):

`sql/tasks/ddl.sql`:
```sql
CREATE TABLE tasks (
    id serial PRIMARY KEY,
    title text,
    body text
);
```

`sql/tasks/get_by_id.sql`:
```sql
SELECT id, title, body FROM tasks WHERE id = %(id)s;
```

`sql/tasks/save.sql`:
```sql
INSERT INTO tasks (title, body) VALUES (%(title)s, %(body)s);
```


## Управление подключениями и транзакциями
Библиотека рассчитана на 2 способа управления подключениями: внешний и внутренний.

### Внешнее управление подключениями
Когда библиотека не управляет подключениями напрямую, а управление происходит снаружи
(вручную или во внешнем фреймворке). В этом случае следует создавать курсор вручную
и передавать его в методы Engine через параметр `cursor`:
```python
cursor = some_connection.cursor()
engine.query('SELECT 1').scalar(cursor=cursor)
```

### Внутреннее управление подключениями
Когда объект Engine управляет подключениями самостоятельно. Engine предоставляет
два менеджера контекста:

#### Транзакции (engine.transaction())
Основной способ управления транзакциями. При входе берется соединение из пула,
при выходе по умолчанию производится `.commit()`, в случае ошибок — `.rollback()`.
```python
with engine.transaction():
    engine.query('INSERT INTO ...').execute(id=1, value=1)
    engine.query('SELECT * FROM ...').all()
```

Поведение при ошибках можно изменить параметром `commit`:
```python
with engine.transaction(commit=False):
    # При выходе будет rollback независимо от ошибок
    engine.query('SELECT 1').scalar()
```

#### Соединения без транзакций (engine.conn())
Для случаев, когда не требуется управление транзакциями (например, с autocommit режимом).
При выходе соединение просто возвращается в пул без commit/rollback:

Как контекстный менеджер:
```python
with engine.conn():
    engine.query('SELECT 1').scalar()
```

Как декоратор:
```python
@engine.conn()
def some_method():
    engine.query('SELECT 1').scalar()
```


## Инициализация Engine

Engine принимает следующие параметры:

```python
from classic.db_tools import Engine, backends
import psycopg

engine = Engine(
    # Драйвер БД (обязательный параметр)
    driver=psycopg,
    
    # Фабрика подключений (опциональный параметр)
    factory=lambda: psycopg.connect(...),
    
    # Класс пула подключений (опциональный параметр)
    pool_class=ConnectionPool,
    
    # Параметры для инициализации пула (опциональный параметр)
    pool_kwargs={
        'limit': 10,           # Максимальное количество подключений (0 - без лимита)
        'timeout': 5.0,        # Таймаут ожидания доступного подключения
        'validator': 'auto',   # Валидатор подключений ('auto' или экземпляр ConnectionValidator)
    },
    
    # Директории с SQL-шаблонами
    templates_dirs=['path/to/sql', 'other/sql'],
    
    # Дефолтный маппер для результатов
    default_mapping={
        'task': Entity(Task, 'id'),
        'status': Value(Status),
    },
    
    # Логгер
    logger=logging.getLogger('my-logger'),
    
    # Считать строковые запросы статическими по умолчанию
    str_templates_static_by_default=False,
    
    # Символ для обрамления идентификаторов БД
    identifier_quote_char='"',  # '"' для PostgreSQL, '`' для MySQL
)
```

### Параметры ConnectionPool

Пул подключений поддерживает следующие параметры через `pool_kwargs`:

- **limit** (int, default=0): Максимальное количество одновременных подключений.
  0 означает без ограничений.

- **timeout** (float, default=5.0): Время ожидания в секундах до выброса `ConnectionLimitError`
  если нет свободного подключения.

- **validator** (str or ConnectionValidator, default='auto'): Валидатор подключений.
  'auto' автоматически выбирает валидатор для драйвера.
  Поддерживаемые драйверы: psycopg, psycopg2, pymysql, mysqldb, pymssql, oracledb, cx_oracle.


## Поддерживаемые драйверы БД

Classic DB Tools поддерживает следующие драйверы:

| Драйвер | Модуль | Установка |
|---------|--------|-----------|
| PostgreSQL (новый) | `psycopg` | `pip install psycopg[binary]` |
| PostgreSQL (старый) | `psycopg2` | `pip install psycopg2-binary` |
| MySQL | `pymysql` | `pip install pymysql` |
| MySQL (С расширениями) | `mysqldb` | `pip install mysqlclient` |
| MS SQL Server | `pymssql` | `pip install pymssql` |
| Oracle (новый) | `oracledb` | `pip install oracledb` |
| Oracle (старый) | `cx_oracle` | `pip install cx_Oracle` |

Для каждого драйвера есть встроенный валидатор подключений и обработчик транзакций.
При использовании неизвестного драйвера валидация отключается (параметр `validator=None`).

Пример для различных драйверов:
```python
import psycopg
import pymysql

# PostgreSQL с psycopg
pg_engine = Engine(
    psycopg,
    lambda: psycopg.connect(host='localhost', dbname='mydb'),
    templates_dirs='sql',
)

# MySQL с pymysql
mysql_engine = Engine(
    pymysql,
    lambda: pymysql.connect(host='localhost', user='root', database='mydb'),
    templates_dirs='sql',
)
```


## Запросы
Объект Engine дает 2 способа задать запрос - из файла, и напрямую.
Также запросы, могут быть статическими или динамическими.


#### Запросы в файлах (.query_from)
Для работы с запросами в файлах существует метод .query_from:
```python
query = engine.query_from('path/to/some/file.sql')
query.execute()
```

Метод .query_from ищет файл относительно каждого пути,
переданного в параметр template_paths конструктора Engine, в том же порядке,
в каком пути были переданы, до первого раза, когда файл будет найден.

Также каждый взятый зарос заносится в кеш. Это значит, что загрузка запроса
из файла будет происходить лишь единожды.

Также .query_from является ленивым, то есть реальная загрузка запроса
из файла произойдет уже при исполнении запроса.


### Запросы, формируемые в коде (.query)
В случае, когда запрос формируется динамически в python-коде, можно использовать
метод .query.

```python
query = engine.query('SELECT 1')
query.execute()
```

### Статические запросы
Статические запросы передаются в драйвер при исполнении как есть,
без каких-либо преобразований.

Метод .query_from считает статическими запросами файлы, названия которых
заканчиваются на `.sql`.

Чтобы создать статический запрос через метод .query, нужно передать параметр
static=True:
```python
query = engine.query('SELECT {{ value }}', static=True)
query.execute(value=1)
```

По умолчанию Engine считает, что запросы, передаваемые в .query - динамические.
Можно изменить это поведение, установив нужное значение
в параметр str_templates_static_by_default конструктора Engine.

Статические запросы очень легковесны, потому рекомендуется по умолчанию 
выражать запросы статично везде, где это возможно.


### Динамические запросы
Динамические запросы, в отличие от статических, являются шаблонами Jinja.
При исполнении шаблон запроса будет собран, результат передан драйверу.

Метод .query_from считает динамическими запросами файлы, названия которых
заканчиваются на `.sql.tmpl`.

Чтобы создать статический запрос через метод .query, нужно передать параметр
static=False:
```python
query = engine.query('SELECT {{ value }}', static=False)
query.execute(value=1)
```

По умолчанию Engine считает, что запросы, передаваемые в .query - динамические.
Можно изменить это поведение, установив нужное значение
в параметр str_templates_static_by_default конструктора Engine.


#### Сборка шаблонов
В целом, при сборке доступны все возможности Jinja, но есть и особенность.

Каждый placeholder Jinja оборачивается в фильтр bind.
Следовательно, эти 2 примера кода эквивалентны:
```jinja
SELECT {{ value }}
```
и
```jinja
SELECT {{ value|bind }}
```

Фильтр bind вставляет вместо реального значения плейсхолдер, подходящий для
драйвера, с которым идет работа.
Шаблон из предыдущего примера, в случае применения psycopg,
будет скомпилирован в:
```sql
SELECT %(value)s
```

Таким образом, устраняется поле для SQL-инъекций, но, в то же время, 
утяжеляется сборка запроса.

Если необходимо отрендерить значение 'как есть', 
например, если оно было получено из безопасного источника,
можно применить фильтр safe:
```jinja
SELECT {{ value|sqlsafe }}
```

Также, для случая, когда необходимо передавать названия объектов БД
(схем, таблиц, столбцов и прочих), есть фильтр `identifier`:
```jinja
SELECT * FROM {{ table|identifier }}
```

В разных БД идентификаторы выделяются разными знаками препинания.
К примеру, Postgres использует двойные кавычки:
```sql
SELECT * FROM experiments."some_table"
```
MS SQL Server использует `:
```sql
SELECT * FROM `public`.`some_table`
```

Изменить это можно в параметре identifier_quote_char 
конструктора Engine. По умолчанию используются двойные кавычки.


## Выдача значений
Объект Query предоставляет несколько способов вернуть результаты запроса.
По дефолту запрос возвращает наружу то, что возвращает драйвер.
Для изменения типа можно использовать маппинг (см. раздел о маппинге).

### Методы получения результатов

#### .all()
Возвращает список всех значений результатов, используя `.fetchall()`:
```python   
for row in engine.query(
    'SELECT * FROM some_table'
).all():
    print(row)
```

#### .iter()
Возвращает итератор по результатам, буферизуя их батчами.
Использует `.fetchmany()` для эффективной работы с большими наборами данных.
Размер батча задается параметром `batch` (по умолчанию 500):
```python
for row in engine.query(
    'SELECT * FROM some_table'
).iter(batch=100):
    print(row)
```

#### .one()
Возвращает первое значение или None, используя `.fetchone()`:
```python
row = engine.query(
    'SELECT * FROM some_table ' 
    'WHERE id = %(id)s'
).one(id=1)
print(row)
```

#### .scalar()
Возвращает первое значение первого столбца или None.
Удобен для запросов вроде `SELECT COUNT(*)`:
```python
name = engine.query(
    'SELECT name FROM some_table '
    'WHERE id = %(id)s'
).scalar(id=1)
print(name)
```

При `raising=True` выбросит `IndexError` вместо возврата None, когда результат пуст:
```python
name = engine.query(
    'SELECT name FROM some_table WHERE id = %(id)s'
).scalar(id=999, raising=True)  # IndexError если строк нет
```

#### .rowcount()
Возвращает количество обработанных строк из курсора.
Удобен для логгирования операций INSERT/UPDATE/DELETE:
```python
rowcount = engine.query(
    'DELETE FROM some_table'
).rowcount()
print(f'Удалено {rowcount} строк')
```

#### .scalars()
Возвращает итератор по значениям первого столбца каждой строки.
Удобен для получения списка значений из одного столбца.
Размер батча задается параметром `batch` (по умолчанию 500):
```python
for name in engine.query(
    'SELECT name FROM some_table'
).scalars(batch=100):
    print(name)
```

#### .execute()
Возвращает курсор после выполнения запроса.
Полезен когда требуется работа с курсором вручную:
```python
cursor = engine.query('SELECT * FROM some_table').execute()
# работа с курсором напрямую
```

#### .executemany()
Для множественного исполнения запроса (пакетные операции):
```python
engine.query(
    'INSERT INTO some_table(id, value) VALUES (%(id)s, %(value)s)'
).executemany([
    {'id': 1, 'value': 'a'},
    {'id': 2, 'value': 'b'},
])
```

Также можно передавать объекты с `__dict__` — они будут преобразованы в словари:
```python
from dataclasses import dataclass

@dataclass
class TaskData:
    title: str
    body: str

engine.query('INSERT INTO tasks (title, body) VALUES (%(title)s, %(body)s)'
).executemany([
    TaskData(title='Task 1', body='Do something'),
    TaskData(title='Task 2', body='Do anything'),
])
```

Поведение отличается для статических и динамических запросов:
- **Статический**: использует `.executemany()` драйвера один раз со всеми параметрами (быстро)
- **Динамический**: собирает и выполняет запрос для каждого набора параметров (медленнее)

### Передача параметров

Все методы принимают параметры одинаково. Есть несколько способов:

#### По ключевым аргументам:
```python
engine.query(
    'INSERT INTO some_table(id, value) VALUES (%(id)s, %(value)s)'
).execute(id=1, value=1)
```

#### Через словарь:
```python
some_obj = {'id': 1, 'value': 1}
engine.query(
    'INSERT INTO some_table(id, value) VALUES (%(id)s, %(value)s)'
).execute(some_obj)
```

#### Объединение словаря и ключевых аргументов:
```python
some_obj = {'id': 1, 'value': 1}
engine.query(
    'INSERT INTO some_table(id, value) VALUES (%(id)s, %(value)s)'
).execute(some_obj, value=2)  # value=2 переопределит значение из словаря
```

### Использование с внешним курсором

Каждому методу можно передать внешний курсор параметром `cursor`,
отвязав исполнение от управления подключениями Engine:
```python
cursor = my_connection.cursor()
engine.query(
    'INSERT INTO some_table(id, value) VALUES (%(id)s, %(value)s)'
).execute(id=1, value=1, cursor=cursor)
```


## Логирование и отладка

Engine поддерживает логирование через стандартный модуль `logging`:

```python
import logging

# Включить логирование на уровне DEBUG для видимости всех операций
logging.basicConfig(level=logging.DEBUG)
logger = logging.getLogger('classic-db-tools')

engine = Engine(
    psycopg,
    lambda: psycopg.connect(...),
    templates_dirs='sql',
    logger=logger,  # Передать логгер в Engine
)

# Теперь все операции будут залогированы
with engine.transaction():
    engine.query('SELECT 1').scalar()
```

Библиотека логирует следующие события:
- Загрузку шаблонов из файлов
- Ошибки валидации подключений
- Проблемы с пулом подключений

### Получение скомпилированного запроса

Для отладки динамических запросов можно получить сгенерированный SQL через метод `.sources()`:

```python
query = engine.query(
    'SELECT * FROM tasks WHERE status = {{ status }}'
).map_to(Task)

# Получить текст скомпилированной функции для отладки
print(query.sources())
```


## Динамические фильтры (Criteria)

Для удобного создания сложных WHERE-условий библиотека интегрирована с 
[classic-criteria](https://pypi.org/project/classic-criteria/). Это опциональная 
зависимость, которая позволяет строить фильтры программно.

Сначала установите пакет:
```shell
pip install classic-db-tools[criteria]
```

Затем используйте `traverse` и `contains` макросы в Jinja шаблонах:

```python
from classic.criteria import And, Eq, Gt

# Создать критерии в Python
criteria = And(
    Eq('status', 'active'),
    Gt('created_at', '2024-01-01')
)

# Использовать в запросе
tasks = engine.query('''
    SELECT * FROM tasks
    {% if filters and contains(filters, 'Eq', 'Gt') %}
    WHERE {{ traverse(filters, translators) }}
    {% endif %}
''').all(filters=criteria, translators=my_translators)
```

Функция `traverse` преобразует объекты criteria в SQL WHERE-условие,
функция `contains` проверяет наличие определённых типов фильтров.


## Обработка ошибок

### ConnectionLimitError
Выбрасывается когда пул подключений исчерпан и превышен таймаут ожидания свободного подключения:

```python
from classic.db_tools import Engine, ConnectionPool
from classic.db_tools.pool import ConnectionLimitError

engine = Engine(
    psycopg,
    lambda: psycopg.connect(...),
    pool_kwargs={
        'limit': 5,      # Максимум 5 одновременных подключений
        'timeout': 2.0,  # Ждать 2 секунды, затем ошибка
    },
)

try:
    with engine.transaction():
        # Если все 5 подключений заняты и новое не появилось за 2 сек
        engine.query('SELECT 1').scalar()
except ConnectionLimitError:
    print('Пул подключений полон, подождите и повторите')
```

### Ошибки валидации подключений
Если подключение потеряно или неисправно, валидатор подключения пытается восстановить его.
После нескольких неудачных попыток валидации происходит переподключение:

```python
# Валидатор автоматически проверяет подключение при получении из пула
# Если проверка не пройдена, подключение отбрасывается и создается новое
engine = Engine(
    psycopg,
    lambda: psycopg.connect(...),
    pool_kwargs={'validator': 'auto'},  # Автоматический валидатор для драйвера
)
```

### Ошибки шаблонов Jinja
При ошибках в синтаксисе Jinja шаблона будет выброшено исключение `jinja2.TemplateError`:

```python
try:
    # Синтаксическая ошибка в шаблоне
    query = engine.query('SELECT * FROM {{ invalid | unknown_filter }}')
    query.scalar()
except Exception as e:
    print(f'Ошибка шаблона: {e}')
```


## Маппинг
По умолчанию данные из запроса возвращаются в виде кортежей. Есть возможность
вернуть данные в виде объектов, и даже иерархий объектов.

Для примера предположим, что у нас есть класс Task и таблица applications:
```python
from dataclasses import dataclass

@dataclass
class Task:
    id: int
    name: str
    description: str
```

```sql
CREATE TABLE applications(
    pk      integer PRIMARY KEY,
    title   varchar,
    content varchar 
)
```

В примере названия таблицы и столбцов намеренно расходятся с названиями
класса и полей, чтобы продемонстрировать отсутствие каких-либо автоматических
привязок к именам, все делается "вручную".

Чтобы смаппить данные, необходимо указать в запросе label для каждого столбца,
состоящий из префикса и названия поля, соединенные через _:
```SQL
SELECT
    pk      AS SomeObj__id,
    title   AS SomeObj__name,
    content AS SomeObj__description
FROM some_table;
```

Нужно помнить, что SQL - регистронезависим, поэтому нет разницы,
в каком регистре писать префиксы и поля.
Библиотека внутри все имена переведет в нижний регистр.

Затем нужно объявить маппинг и сделать запрос:
```python
from classic.db_tools import Engine, Entity
import psycopg

mapping = dict(
    task=Entity(Task, 'id'),
)

engine = Engine(
    psycopg,
    lambda: psycopg.connect(host='localhost', dbname='mydb'),
    templates_dirs='sql',
    default_mapping=mapping,
)

with engine.transaction():
    task = engine.query_from('example_select.sql').map_to(Task).one(id=1)
    print(task)
```

Названия полей маппера, подаваемые в словарь mapping, должны соответствовать
префиксам из запроса. Значения, содержащиеся в mapping - это параметры 
маппера, они могут быть Entity и Value. В любом случае, первым аргументов 
подается класс, на который осуществляется маппинг.

Entity применяется для объектов-сущностей. Это такие объекты в предметной
области, которые имеют свой идентификатор, и друг от друга отличаются 
по номеру, поэтому Entity вторым аргументов требует указать названия полей,
участвующих в идентификаторе, в виде кортежа строк, либо одно название в виде 
строки, если идентификатор состоит из одного поля.

Объекты-сущности при маппинге сопоставляются через идентификатор,
поэтому если запрос выдает несколько строк с одним и тем же идентификатором,
будет инстанцирован только один объект-сущность с таким идентификатором.

Value применяется для объектов-значений. Это такие объекты в предметной области,
которые не имеют идентификатора, и различаются по полному составу полей.
Как правило, это подчиненные, дочерние по отношению к каким-либо сущностям 
объекты. Вторым неименованным аргументом можно подать bool

Объекты-значения при маппинге не сопоставляются друг с другом вообще, маппер
просто инстанцирует такие классы каждый раз, когда соответствующие строки
встречаются в полученном наборе данных.

Также бывает случай, когда во все поля сущности приходит NULL из БД.
Эта ситуация двоякая - с одной стороны, во многих случаях нужно вернуть None
вместо объекта, с другой - бывают случаи, когда все поля объекта содержат
None, и объект при этом "легален" и имеет смысл для бизнеса. По умолчанию
маппер сокращает до None такие объекты, но это поведение можно изменить, указав
вторым неименованным аргументом False:
```python
mapper = dict(
    some_val=Value(SomeObj, False)
)
```

### map_to

Метод map_to имеет 3 группы аргументов - result, prefix и keyword-аргументы **params.
Result и prefix связаны друг с другом.

Если подается только result (желаемый класс), то в качестве префикса будет
использоваться название класса, а класс в result будет использован 
для аннотаций типов.
```python
obj = engine.query_from('test.sql').map_to(Task).one()
# obj - Task с точки зрения typing
```


Если подается prefix, то он будет использован в качестве префикса,
result будет использован для аннотаций типов:
```python
obj = engine.query_from('test.sql').map_to(Task, 'task').one()
# obj - Task с точки зрения typing
```


Если не подан result, а только prefix - prefix будет использован в качестве 
префикса, но аннотаций типов уже не будет.
```python
obj = engine.query_from('test.sql').map_to('task').one()
# obj - Any с точки зрения typing
```

Третий вариант - передать маппинг через keyword-аргументы. В этом случае
можно указать только префикс или класс:
```python
# Маппинг через kwargs
engine.query(sql).map_to(
    Task,
    task=Entity(Task, 'id'),
    status=Value(Status),
).all()

# Маппинг через kwargs с кастомным префиксом
engine.query(sql).map_to(
    Task, 'custom',
    custom=Entity(Task, 'id'),
).all()
```

Если не указать ни то, ни другое, маппер выкинет ошибку, так как он не понимает,
объекты с каким префиксом он должен вернуть в ответ.

Если подан **params (keyword-аргументы), они будут использованы как конфигурация маппера
вместо дефолтной. Третий аргумент - маппер (устаревший способ, используйте **params) -
также поддерживается для обратной совместимости.

Дефолтный маппер задается в конструкторе Engine.


### Relationships

Маппер не будет полноценным без возможности управлять отношениями между
объектами, поэтому Entity и Value принимают keyword-аргументы.
Названия аргументов - это названия полей в классе, участвующие в отношении.
Значения - объекты Assign, Append и Add, принимающие единственный аргумент
- префикс объекта, участвующего в отношении.

Append используется для обработки списков, реализуя OneToMany. При использовании
Append маппер будет использовать метод .append() у указанного свойства:
```python
from dataclasses import dataclass, field

from classic.db_tools import Entity, Value, Append


@dataclass
class Status:
    title: str


@dataclass
class Task:
    id: int
    title: str
    statuses: list[Status] = field(default_factory=list)

    
mapping = dict(
    task=Entity(Task, 'id', statuses=Append('status')),
    status=Value(Status)
)

pool = ConnectionPool(psycopg, lambda: psycopg.connect(...))
engine = Engine(psycopg, default_mapping=mapping)

with engine.transaction():
    tasks = engine.query('''
    SELECT
        tasks.id AS task__id,
        tasks.id AS task__title,
        statuses.title AS status__title
    FROM tasks
    JOIN statuses ON statuses.task_id = tasks.id
    ''').map_to(Task).all()

print(tasks)
# [
#     Task(id=1, title='example', statuses=[
#         Status('new'), 
#         Status('completed'),
#     ]),
# ]
```

Add очень похож на Append, только используется для обработки множеств.
При использовании Add маппер будет использовать метод .add()
у указанного свойства.

Assign используется для присвоения объекта указанному свойству,
реализуя OneToOne. 

Пример:
```python
from dataclasses import dataclass
from classic.db_tools import Engine, Entity, Value, Assign
import psycopg


@dataclass
class Status:
    title: str


@dataclass
class Task:
    id: int
    title: str
    status: Status

    
mapping = dict(
    task=Entity(Task, 'id', status=Assign(Status)),
    status=Value(Status)
)

engine = Engine(psycopg, lambda: psycopg.connect(...), default_mapping=mapping)

with engine.transaction():
    tasks = engine.query('''
    SELECT
        tasks.id AS task__id,
        tasks.id AS task__title,
        statuses.title AS status__title
    FROM tasks
    JOIN statuses ON statuses.task_id = tasks.id
    ''').map_to(Task).all()

print(tasks)
# [
#     Task(id=1, title='example', status=Status('new')]),
# ]
```

Также можно указывать в отношениях классы, в таком случае имена классов 
будут считаться искомыми префиксами.

### inspect

Также маппер умеет разбирать аннотации типов у подаваемых классов,
и автоматически догадываться об отношениях, поэтому маппер из примера выше
можно сократить до:
```python
mapper = dict(
    task=Entity(Task, 'id'),
    status=Value(Status)
)
```

Указанные вручную отношения имеют приоритет над автоматически распознанными.
Так можно кастомизировать поведение маппера.

### Компиляция
Под капотом библиотека компилирует функцию-маппер с учетом полученного курсора,
и производит кеширование, так как компиляция занимает время.
Ключ кеша зависит от маппера, запрашиваемого префикса и названий
и порядка столбцов в запросе.

Для облегчения отладки объект запроса с назначенным маппером имеет метод 
.sources(), возвращающий текст скомпилированный функции.

## Лучшие практики и рекомендации

### 1. Используйте статические запросы когда возможно
Статические запросы (`.sql` файлы) выполняются быстрее, так как не требуют
обработки Jinja шаблона:

```python
# ✅ Хорошо - статический запрос
engine.query_from('simple_select.sql').all()

# ⚠️ Медленнее - динамический запрос
engine.query_from('complex_template.sql.tmpl').all()
```

### 2. Кешируйте мапперы
Мапперы компилируются и кешируются. При использовании одинаковых маппинга
для разных запросов, рекомендуется передавать его в конструктор Engine
как `default_mapping`:

```python
# ✅ Хорошо - маппер в конструкторе, переиспользуется
engine = Engine(
    psycopg,
    factory,
    default_mapping={'task': Entity(Task, 'id')},
)

tasks = engine.query_from('get_tasks.sql').map_to(Task).all()
```

### 3. Управляйте пулом подключений правильно
- Установите подходящий `limit` - слишком большой лимит пустит ресурсы впустую,
  слишком малый вызовет `ConnectionLimitError`
- Используйте `validator='auto'` для автоматической валидации подключений
- Настройте `timeout` в зависимости от нагрузки системы

```python
pool_kwargs = {
    'limit': 10,          # Для типичной веб-апликации
    'timeout': 5.0,       # 5 секунд для ожидания соединения
    'validator': 'auto',  # Валидируем каждое подключение
}
```

### 4. Используйте транзакции для групп операций
Группируйте связанные операции в одну транзакцию для обеспечения консистентности:

```python
# ✅ Хорошо - атомарная операция
with engine.transaction():
    task = engine.query_from('create_task.sql').execute(title='New Task')
    engine.query_from('assign_to_user.sql').execute(task_id=task.id, user_id=user_id)
    # Коммитится только если обе операции успешны
```

### 5. Логируйте операции
Всегда передавайте логгер для отладки и мониторинга:

```python
import logging

logger = logging.getLogger(__name__)
engine = Engine(
    psycopg,
    factory,
    logger=logger,
)
```

### 6. Используйте параметризованные запросы
Никогда не подставляйте значения напрямую в SQL строку:

```python
# ❌ Небезопасно - уязвимо к SQL инъекциям
engine.query(f'SELECT * FROM users WHERE name = {name}').all()

# ✅ Безопасно - параметризованный запрос
engine.query('SELECT * FROM users WHERE name = %(name)s').all(name=name)
```

### 7. Отделите маппирование результатов от логики
Используйте маппинг на уровне запроса, а не в обработчике результатов:

```python
# ✅ Хорошо - маппинг в запросе
tasks = engine.query_from('get_tasks.sql').map_to(Task).all()
for task in tasks:
    print(task.title)  # task - это объект Task
```


## Производительность

### Кеширование
- Шаблоны SQL кешируются после первой загрузки из файла
- Мапперы компилируются и кешируются на основе маппинга и структуры результата
- Для сброса кеша пересоздайте объект Engine

### Батчирование
Для больших наборов данных используйте `.iter()` вместо `.all()`:

```python
# ✅ Эффективно для больших наборов
for row in engine.query('SELECT * FROM large_table').iter(batch=1000):
    process(row)

# ❌ Может привести к нехватке памяти
rows = engine.query('SELECT * FROM large_table').all()
for row in rows:
    process(row)
```

### Статические vs Динамические запросы
Сложность обработки:
- **Статические**: O(1) - просто передаются драйверу
- **Динамические**: O(n) - требуют обработки Jinja шаблона и подстановки параметров


## Лицензия
Проект распространяется под лицензией Apache License 2.0. 
Некоторые части кода (ConnectionPool, validators) взяты из других проектов 
с соответствующими лицензиями.
