wborm 0.1.8

ORM leve com introspecção automática para bancos JDBC como Informix, usando integração com wbjdbc.

WBORM

WBORM é uma biblioteca ORM leve para Python, projetada para funcionar diretamente com bancos de dados legados via JDBC, como Informix, DB2, Oracle e outros. Com foco em transparência, segurança e introspecção automática, ela é a parceira ideal da wbjdbc, entregando produtividade sem esconder o SQL.

---

✨ Destaques

• Suporte completo a conexões JDBC via wbjdbc
• Geração automática de modelos com introspecção
• API fluente com .select(), .filter(), .join() e mais
• Confirmação obrigatória em operações destrutivas
• Bloqueio de UPDATE/DELETE sem WHERE
• Transações automáticas com rollback
• Integração com Pandas e Spark
• Eager/lazy loading, cache, hooks e muito mais

---

📁 Instalação

pip install wborm wbjdbc

---

🚀 Começando Rápido

1. Conectando via wbjdbc

from wbjdbc import connect_to_db

conn = connect_to_db(
    db_type="informix-sqli",
    host="localhost",
    port=1526,
    database="meubanco",
    user="usuario",
    password="senha",
    server="ol_informix"
)

2. Gerando modelo com introspecção

from wborm.utils import generate_model

Cliente = generate_model("clientes", conn)

Isso detecta automaticamente os campos, tipos, PKs e campos nulos da tabela!

3. Consultando dados

clientes = Cliente.filter(idade=30).order_by("nome").all()
for c in clientes:
    print(c.nome)

---

🛠️ Definindo modelos manualmente (opcional)

from wborm.core import Model
from wborm.fields import Field

class Cliente(Model):
    __tablename__ = "clientes"
    id = Field(int, primary_key=True)
    nome = Field(str)
    idade = Field(int)

Cliente._connection = conn

Ideal para quem quer customizar comportamento, usar create_table() ou definir campos antes de existir no banco.

---

🔒 Segurança embutida

• .add(), .update() e .delete() exigem confirm=True
• UPDATE/DELETE sem WHERE são bloqueados
• Transações com BEGIN WORK / COMMIT / ROLLBACK

---

📊 Integração com Pandas e Spark

import pandas as pd

clientes = Cliente.all()
df = pd.DataFrame([c.to_dict() for c in clientes])

spark.createDataFrame([c.to_dict() for c in Cliente.all()])

---

📖 Documentação completa

Acesse: https://wanderbatistaf.github.io/wborm

Inclui:

• Guia de Início Rápido
• Modelos com introspecção
• Operadores, joins, filtros, agrupamentos
• Lazy loading, hooks, cache, validações
• Integração wbjdbc-wborm

---

📜 Licença

Este projeto é licenciado sob a Licença MIT. Consulte o arquivo LICENSE para mais informações.

---

🤝 Contribuindo

Pull requests são bem-vindos! Envie sugestões ou melhorias diretamente no repositório do GitHub.