Fastapi学习总结(上)

2021/4/17 10:30:28

编程Tag： 参数 id item 学习 总结 str Optional None Fastapi

本文主要是介绍Fastapi学习总结(上)，对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！

目录
  • 简介
  • 安装
  • HelloWord
    • 编写脚本
    • 启动服务
    • 浏览器访问接口
    • 查看交互式API文档
    • 查看可选的api文档
  • url路径参数
    • 基本用法
    • 枚举类型参数
    • 包含路径的路径参数
  • 查询参数
  • 请求体
    • 使用pydantic声明请求体
    • pydantic请求体 + 路径参数 + 查询参数
    • 不使用pydantic声明请求体-Body
  • 查询参数的额外校验-Query
    • 查询参数列表
  • 路径参数的额外校验-Path
  • Pydantic的额外校验-Field
  • 其他数据类型
  • Cookie
  • Header
  • 响应
    • 基本使用
    • 其他响应参数选择
    • 响应模型类-Union
    • 响应模型类-List

简介

FastAPI 是一个用于构建 API 的现代、快速（高性能）的 web 框架，使用 Python 3.6+ 并基于标准的 Python 类型提示。

关键特性:

  • 快速：可与 NodeJS 和 Go 比肩的极高性能（归功于 Starlette 和 Pydantic）。最快的 Python web 框架之一。
  • 高效编码：提高功能开发速度约 200％ 至 300％。*
  • 更少 bug：减少约 40％ 的人为（开发者）导致错误。*
  • 智能：极佳的编辑器支持。处处皆可自动补全，减少调试时间。
  • 简单：设计的易于使用和学习，阅读文档的时间更短。
  • 简短：使代码重复最小化。通过不同的参数声明实现丰富功能。bug 更少。
  • 健壮：生产可用级别的代码。还有自动生成的交互式文档。
  • 标准化：基于（并完全兼容）API 的相关开放标准：OpenAPI (以前被称为 Swagger) 和 JSON Schema。

安装

uvicorn为ASGI服务器

pip install fastapi
pip install uvicorn

HelloWord

编写脚本

创建一个名为hello_world.py的文件

from fastapi import FastAPI

# 创建fastapi的应用, 自定义名为app
app = FastAPI()

# url+http方法+执行函数
@app.get('/')
async def hello_world():
    return {'hello': 'world'}

启动服务

通过uvicorn启动服务, 其中--reload是可选参数, 代码修改后会自动重启服务

uvicorn hello_world:app --reload

启动结果如下则说明启动成功, 默认是在8000端口启动的, 地址为http://127.0.0.1:8000

$ uvicorn hello_world:app --reload
INFO:     Uvicorn running on http://127.0.0.1:8000 (Press CTRL+C to quit)
INFO:     Started reloader process [189] using statreload
INFO:     Started server process [191]
INFO:     Waiting for application startup.
INFO:     Application startup complete.

浏览器访问接口

通过浏览器访问http://127.0.0.1:8000, 可以看到返回结果

image-20210327110854188

查看交互式API文档

FastAPI会自动生成交互式API文档, 通过网址http://127.0.0.1:8000/docs访问, 这个可以方便开发人员更好地调试api, 也可以在文档上写入相关的注释, 方便前后端开发的对接

image-20210327111145603

查看可选的api文档

除了上面的交互式api文档外, fastapi还提供了另一个文档, 通过http://127.0.0.1:8000/redoc访问, 这个文档只能查看, 不能交互

image-20210327112314401

url路径参数

基本用法

这里的路径参数指的是url访问资源的路径中的参数, 比如根据restful规范, 定义访问id为1的商品, 对应的url应该是/goods/1, 那么如果想访问id为n的商品, url应该是/goods/n, 这个n就是路径参数.

在fastapi中定义路径参数的方法是:

@app.get('/items/{item_id}')
async def get_item_by_id(item_id: int):
    return {'item_id': item_id}

  • item_id即为路径参数名, 路径参数需要用大括号括起来, 且在执行函数get_item_by_id中需要定义与路径参数同名的参数item_id

  • 在定义函数参数item_id时, 用到了python3.6+引入的"类型提示", 这样能够让代码和读维护起来更加方便, 编辑器也能够根据类型提供更多的支持, 推荐使用

  • 有了类型提示后, 如果url传入的参数不能转换为int类型, 则fastapi会自动检测并返回错误信息, 如:

    image-20210327120852321

枚举类型参数

# 导入枚举模块
from enum import Enum

# 定义枚举类
class BookType(str, Enum):
    java = "Java"
    python = "Python"
    c_plus = "C++"

# 定义函数
@app.get('/books/{book_type}')
async def get_book_type(book_type: BookType):
    result = {'book_type': book_type, 'message': ''}
    if book_type == BookType.java:
        result['message'] = "This is java"
    elif book_type == BookType.python:
        result['message'] = 'This is python'
    elif book_type == BookType.c_plus:
        result['message'] = 'This is c++'
    return result
  • 定义枚举类BookType时需要继承str和Enum类, 表明枚举值都是字符串类型, 下面的类变量即为枚举变量和枚举值
  • 参数book_type的类型注解为定义的枚举类BookType

包含路径的路径参数

@app.get('/files/{file_path:path}')
async def get_file_path(file_path):
    return {'file_path': file_path}
  • 在url中定义参数路径参数时, 如果该参数值本身也是一个路径, 为了不会混淆, 可以在url参数后面添加:path, 用来表示这个参数是一个路径格式

查询参数

查询参数指的是在url后面添加的以?开头并以&分隔的一系列键值对参数

在fastapi的函数中, 如果声明的参数不属于路径参数, 那么它就会被自动解释为查询参数

from typing import Optional

@app.get('/items/')
async def get_query_param(page: int, count: Optional[int] = 10):
    return {'page': page, 'count': count}
  • 在函数get_query_param后定义了两个参数page和count, 这两个参数并没有对应的url路径参数, 因此fastapi会认为这两个参数是查询参数
  • 其中page参数没有指定Optional和默认值, 因此该参数被认为是必输的
  • count参数指定了为Optional, 可选的, 并给了默认值, 那么说明这个参数不是必填的, 如果没填, 就默认这个参数值为10

请求体

使用pydantic声明请求体

# 导入pydantic基本模型
from pydantic import BaseModel

# 创建请求体的pydantic模型类
class Item(BaseModel):
    name: str
    description: Optional[str] = None
    price: float
    tax: Optional[float] = None
    
@app.post('/items/')
async def create_item(item: Item):
    # return item  可以直接返回pydantic类型的数据
    # 也可以将pydantic转为字典, 然后做后续的逻辑处理
    item_dict = item.dict()
    if item.tax:
        price_with_tax = item.price + item.tax
        item_dict['price_with_tax'] = price_with_tax
    return item_dict
  • 在定义pydantic模型类时, 和声明查询参数一样, 可以设置Optional属性指定其是否为 必输字段
  • 声明执行函数的参数item类型为上面定义的pydantic模型类
  • fastapi会把传入的请求体作为json读取, 然后转为定义的pydantic模型类, 并校验数据的类型和是否必输

在fastapi的交互式文档的schemas中, 可以看到定义的pydantic模型类, 上面指明了类型和是否必输

image-20210328091556266

pydantic请求体 + 路径参数 + 查询参数

# 导入pydantic基本模型
from pydantic import BaseModel

# 创建请求体的pydantic模型类
class Item(BaseModel):
    name: str
    description: Optional[str] = None
    price: float
    tax: Optional[float] = None
        
@app.put('/items/{item_id}')
async def update_book(item_id: int, item_type: str, item: Item):
    return {'path_param': {'item_id': item_id}, 'query_param': {'item_type': item_type}, 'req_body': item}

可以同时声明 路径参数+查询参数+请求体, fastapi会自动识别他们中的每一个并从正确的位置获取数据, 函数参数将依次按如下规则进行识别：

  • 如果在路径中也声明了该参数，它将被用作路径参数。
  • 如果参数属于单一类型（比如 int、float、str、bool 等）它将被解释为查询参数。
  • 如果参数的类型被声明为一个 Pydantic 模型，它将被解释为请求体。

不使用pydantic声明请求体-Body

使用fastapi的Body来定义单一的请求体参数, 在参数后面加上= Body(...)来表示这个参数是请求体参数, 如下面的item_name参数和item_price参数, 但是这样只能一个一个定义请求体参数, 如果参数很多还是建议使用pydantic的模型类定义

from fastapi import Body

@app.patch('/items/{item_id}')
async def patch_book(item_id: int, item_type: str, item_name: str = Body(...), item_price: float = Body(...)):
    return {'path_param': {'item_id': item_id}, 'query_param': {'item_type': item_type},
            'req_body': {'item_name': item_name, 'item_price': item_price}}

请求为:

image-20210328100918857

响应为:

image-20210328101025341

查询参数的额外校验-Query

使用fastapi的Query类型, 在参数后面加上= Query(), 如限制最长不能超过5位, Query(max_length=5)

from fastapi import Query

@app.get('/query_items/')
async def query_items(item_type: Optional[str] = Query(None, max_length=5)):
    result = {'items': [{'item_id': 1}, {'item_id': 2}]}
    if item_type:
        result['item_type'] = item_type
    return item_type

点击Query进入源码可以查看Query所接受的参数

def Query(  # noqa: N802
    default: Any,  # 参数默认值
    *,
    alias: Optional[str] = None,  # 参数别名, 对应url中的查询参数名
    title: Optional[str] = None,
    description: Optional[str] = None,
    gt: Optional[float] = None,  # 参数值需大于...
    ge: Optional[float] = None,  # 参数值需大于等于...
    lt: Optional[float] = None,  # 参数值需小于...
    le: Optional[float] = None,  # 参数值需小于...
    min_length: Optional[int] = None,  # 参数最小长度...
    max_length: Optional[int] = None,  # 参数最大长度...
    regex: Optional[str] = None,  # 正则表达式限制...
    deprecated: Optional[bool] = None,  # 是否已经失效
    **extra: Any,
) -> Any:
  • default: Query的第一个参数, 表示该查询参数的默认值, 如果设置了这个默认值的话, 那么就认为这个参数是可选参数(非必输), 相当于Optional[type] = default, 如果想要设置参数必输, 那么就把default值设为Query(...)

查询参数列表

from typing import List

@app.get('/list_items/')
async def get_list_items(q: Optional[List[str]] = Query(None)):
    return {'q': q}

访问urlhttp://127.0.0.1:8000/list_items/?q=1&q=2, 返回结果:

{
  "q": [
    "1",
    "2"
  ]
}
  • 在参数中使用了List类型后, fastapi会将该参数解析为请求体, 因此如果想要该参数为查询参数, 那么需要显式地使用Query

路径参数的额外校验-Path

与使用Query声明查询参数类似, 路径参数可以使用Path来声明

from fastapi import Path

@app.get('/path_items/{item_name}')
async def get_path_items(item_name: str = Path('Python', max_length=6)):
    return {'item_name': item_name}

Path的参数用法与Query一样:

def Path(  # noqa: N802
    default: Any,
    *,
    alias: Optional[str] = None,
    title: Optional[str] = None,
    description: Optional[str] = None,
    gt: Optional[float] = None,
    ge: Optional[float] = None,
    lt: Optional[float] = None,
    le: Optional[float] = None,
    min_length: Optional[int] = None,
    max_length: Optional[int] = None,
    regex: Optional[str] = None,
    deprecated: Optional[bool] = None,
    **extra: Any,
) -> Any

Pydantic的额外校验-Field

与使用 Query、Path 和 Body 在路径操作函数中声明额外的校验和元数据的方式相同，可以使用 Pydantic 的 Field 在 Pydantic 模型内部声明校验和元数据。需要导入pydantic的Field

from pydantic import Field

class MyItem(BaseModel):
    item_id: int
    item_name: str = Field(None, max_length=5)

@app.post('/field_items/')
async def get_field_items(my_item: MyItem):
    return my_item

其他数据类型

  • UUID
    • 一种标准的 "通用唯一标识符" ，在许多数据库和系统中用作ID。
    • 在请求和响应中将以 str 表示。
  • datetime.datetime
    • 一个 Python datetime.datetime.
    • 在请求和响应中将表示为 ISO 8601 格式的 str ，比如: 2008-09-15T15:53:00+05:00.
  • datetime.date
    • Python datetime.date.
    • 在请求和响应中将表示为 ISO 8601 格式的 str ，比如: 2008-09-15.
  • datetime.time
    • 一个 Python datetime.time.
    • 在请求和响应中将表示为 ISO 8601 格式的 str ，比如: 14:23:55.003.
  • datetime.timedelta
    • 一个 Python datetime.timedelta.
    • 在请求和响应中将表示为 float 代表总秒数。
    • Pydantic 也允许将其表示为 "ISO 8601 时间差异编码"
  • frozenset
    • 在请求和响应中，作为set对待：
      • 在请求中，列表将被读取，消除重复，并将其转换为一个 set。
      • 在响应中 set 将被转换为 list 。
      • 产生的模式将指定那些 set 的值是唯一的 (使用 JSON 模式的 uniqueItems)。
  • bytes
    • 标准的 Python bytes。
    • 在请求和相应中被当作 str 处理。
    • 生成的模式将指定这个 str 是 binary "格式"。
  • Decimal
    • 标准的 Python Decimal。
    • 在请求和相应中被当做 float 一样处理
from datetime import datetime, time, timedelta
from uuid import UUID

@app.put('/others/{item_id}')
async def get_others(
        item_id: UUID,
        start_datetime: Optional[datetime] = Body(None),
        end_datetime: Optional[datetime] = Body(None),
        repeat_at: Optional[time] = Body(None),
        process_after: Optional[timedelta] = Body(None),
):
    start_process = start_datetime + process_after
    duration = end_datetime - start_datetime
    return {
        'item_id': item_id,
        'start_datetime': start_datetime,
        'end_datetime': end_datetime,
        'repeat_at': repeat_at,
        'process_after': process_after,
        'start_process': start_process,
        'duration': duration,
    }

声明 Cookie 参数的结构与声明 Query 参数和 Path 参数时相同。

第一个值是参数的默认值，同时也可以传递所有验证参数或注释参数，来校验参数：

from fastapi import Cookie

@app.get('/cookies/')
async def get_cookies(user_id: Optional[str] = Cookie(None)):
    return {'user_id': user_id}

可以使用定义 Query, Path 和 Cookie 参数一样的方法定义 Header 参数。

from fastapi import Header
from typing import List

@app.get('/headers/')
async def get_headers(user_agent: Optional[str] = Header(None, convert_underscores=False), user_id: Optional[List[str]] = Header(None)):
    return {'user_agent': user_agent, 'user_id': user_id}

  • Header比 Query, Path 和 Cookie 多了一个自动转换的功能, 因为大多数标准的headers是用中划线-连接的, 但是中划线-不符合python中定义变量的规范, 因此默认情况下, fastapi会把函数中定义的Header参数中的下划线_自动替换成中划线-, 然后去请求的headers中寻找对应的header

  • 同时, HTTP headers是大小写不敏感的, 所以在python中定义参数时无需考虑大写, 可以全部使用小写来命名, 例如http headers中的User-Agent, 对应fastapi函数的参数就可以写为user_agent(大小写和中划线都可以转换)

  • 如果不想在某个参数上使用fastapi的自动转换功能, 可以设置convert_underscores=False来取消自动转换

  • Header支持接收重复的headers, 可以通过List类型来重复接收, 比如headers中有两个同名header

    user_id: foo
user_id: bar

    那么函数中的user_id就为:

    {
    "user_id": [
        "bar",
        "foo"
    ]
}

响应

基本使用

在@app.method()装饰器中使用response_model参数来声明用于响应的模型

from pydantic import EmailStr

# 请求体json模型
class UserIn(BaseModel):
    user_name: str
    pass_word: str
    email: Optional[EmailStr] = None
    full_name: Optional[str] = None

# 响应体json模型
class UserOut(BaseModel):
    user_id: int
    user_name: str
    email: Optional[EmailStr] = None
    full_name: Optional[str] = None

@app.post('/create_user/', response_model=UserOut)
async def create_user(user: UserIn):
    user_dict = user.dict()
    user_dict['user_id'] = 1
    return user_dict

  • pydantic有自带的邮箱格式校验类型EmailStr, 不过需要额外进行安装, pydantic只会安装核心的功能

    pip install pydantic[email]

  • 这里定义的响应json模型UserOut比UserIn多了user_id和少了pass_word字段

  • 视图函数中返回的user_dict中是包括了pass_word字段的, 但是由于设置了response_model=UserOut, fastapi会过滤掉其他的字段

其他响应参数选择

def post(...
	response_model_include: Optional[Union[SetIntStr, DictIntStrAny]] = None,
    response_model_exclude: Optional[Union[SetIntStr, DictIntStrAny]] = None,
    response_model_by_alias: bool = True,
    response_model_exclude_unset: bool = False,
    response_model_exclude_defaults: bool = False,
    response_model_exclude_none: bool = False,
    ...):
  • response_model_include: 返回模型中需要包括哪些字段
  • response_model_exclude: 返回模型中不能包括哪些字段
  • response_model_exclude_unset: 设置为True的话那么响应模型中未显式设置具体值的字段则不会返回

响应模型类-Union

可以将一个响应声明为两种类型的 Union，这意味着该响应将是两种类型中的任何一种。

from typing import Union

class Student(BaseModel):
    student_name: str
    student_score: float

class Teacher(BaseModel):
    teacher_name: str
    teacher_num: str

items = {
    'student': {'student_name': 'xiaoming', 'student_score': 90.3},
    'teacher': {'teacher_name': 'li', 'teacher_num': 'NO.123'}
}

@app.get('/person/', response_model=Union[Student, Teacher])
async def get_person(item_type: str):
    return items[item_type]
  • 返回Student模型类或者Teacher模型类

响应模型类-List

from typing import List

class Student(BaseModel):
    student_name: str
    student_score: float
    
students = [
    {'student_name': 'xiaoming', 'student_score': 90.3},
    {'student_name': 'xiaohong', 'student_score': 80.7}
]

@app.get('/students/', response_model=List[Student])
async def get_students():
    return students
  • 返回的是Student模型类列表, List中只能有一种模型类型


这篇关于Fastapi学习总结(上)的文章就介绍到这儿，希望我们推荐的文章对大家有所帮助，也希望大家多多支持为之网！


相关编程文章

更多>
本站官方QQ
官方QQ:
23002807

沪ICP备2023033072号-1

     

扫一扫关注最新编程教程