一：FastAPI框架
1.FastAPI是应该用于构建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。 关键性:
- 快速: 可与NodeJS和Go并肩的极高性能(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%。
- 更少的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，减少调式时间。
- 简单: 设计的易于使用和学习，阅读文档的时间。
- 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。
1.Starlette，Pydantic 与 FastAPI 的关系
- Python 的类型提示 type hints
- Pydantic 是一个基于 Python 类型提示来定义数据验证，序列化和文档(使用JSON模式)库
Pydantic : 前端给后端传数据/定义的数据类型，嵌套用什么格式嵌套 - Starlette 是一种轻量级的 ASGI 框架/工具包，是构建高性能Asyncio 服务的理想选择。
- 一个轻量级、低复杂度的 HTTP Web 框架。
- WebSocket 支持。
- 正在进行的后台任务。
- 启动和关闭事件。
- 测试客户端建立在
requests. - CORS、GZip、静态文件、流响应。
- 会话和 Cookie 支持。
- 100% 的测试覆盖率。
- 100% 类型注释代码库。
- 很少有硬依赖。
asyncio与trio后端兼容。- 与独立基准相比，整体表现出色。
2.ASGI 和 WSGI的区别
ASGI 协议 WSGI 协议 Uvicorn 与 uWSGI 为web服务器
二：Pydantic的基本用法（BaseModel）
1.Pydantic的基本用法
class User(BaseModel): id: int # 没有默认值。就是必填字段 name: str = "john Snow" # 有默认值，就是选填字段 signup_ts: Optional[datetime] = None # 时间 "有默认值，选填字段" friends: List[int] = [] # 列表中元素是int类型或者可以直接转换成int类型 # 传值 类型= 字典 external_data = { "id": "123", "signup_ts": "2022-12-22 12:22", "friends": [1, 2, "3"] # "3" 是可以int("3")的 } user = User(**external_data) print(user.id, user.friends) # 实例化后调用属性 print(repr(user.signup_ts)) print(user.dict()) " 123 [1, 2, 3] datetime.datetime(2022, 12, 22, 12, 22) {'id': 123, 'name': 'john Snow', 'signup_ts': datetime.datetime(2022, 12, 22, 12, 22), 'friends': [1, 2, 3]} " 2.效验失败处理
print("---效验失败处理---") try: User(id=1, signup_ts=datetime.today(), friends=[1, 2, "not number"]) except ValidationError as e: print(e.json()) " [ { "loc": [ "friends", 2 ], "msg": "value is not a valid integer", "type": "type_error.integer" } ] " 3.模型类的属性和方法
print(user.dict()) # 转换成字典 print(user.json()) print(user.copy()) # 这里代表浅拷贝 print(User.parse_obj(obj=external_data)) # 解析 print(User.parse_raw('{"id": "123","signup_ts": "2022-12-22 12:22", "friends": [1, 2, 3]}')) " {'id': 123, 'name': 'john Snow', 'signup_ts': datetime.datetime(2022, 12, 22, 12, 22), 'friends': [1, 2, 3]} {"id": 123, "name": "john Snow", "signup_ts": "2022-12-22T12:22:00", "friends": [1, 2, 3]} id=123 name='john Snow' signup_ts=datetime.datetime(2022, 12, 22, 12, 22) friends=[1, 2, 3] id=123 name='john Snow' signup_ts=datetime.datetime(2022, 12, 22, 12, 22) friends=[1, 2, 3] id=123 name='john Snow' signup_ts=datetime.datetime(2022, 12, 22, 12, 22) friends=[1, 2, 3] " 4.解析文件
path = Path('pydantic_tutorial.json') path.write_text('{"id":"123", "signup_ts":"2020-12-22 12:22", "friends":[1, 2, "3"]}') print(User.parse_file(path)) " id=123 name='john Snow' signup_ts=datetime.datetime(2020, 12, 22, 12, 22) friends=[1, 2, 3] " 5.解析(并打印出对应类型)
print(user.schema()) print(user.schema_json()) # user_data = {"id": "error", "signup_ts": "2020-12-22 12 22", "friends": [1, 2, 3]} # id必须是str print(User.construct(**user_data)) # 不效验数据直接创建模型类，不建议在construct方法中传入未经验证的数据 # print(User.__fields__.keys()) # 定义模型类的时候，所有字段都注明类型，字段顺序就不会乱。 " {'title': 'User', 'type': 'object', 'properties': {'id': {'title': 'Id', 'type': 'integer'}, 'name': {'title': 'Name', 'default': 'john Snow', 'type': 'string'}, 'signup_ts': {'title': 'Signup Ts', 'type': 'string', 'format': 'date-time'}, 'friends': {'title': 'Friends', 'default': [], 'type': 'array', 'items': {'type': 'integer'}}}, 'required': ['id']} {"title": "User", "type": "object", "properties": {"id": {"title": "Id", "type": "integer"}, "name": {"title": "Name", "default": "john Snow", "type": "string"}, "signup_ts": {"title": "Signup Ts", "type": "string", "format": "date-time"}, "friends": {"title": "Friends", "default": [], "type": "array", "items": {"type": "integer"}}}, "required": ["id"]} name='john Snow' signup_ts='2020-12-22 12 22' friends=[1, 2, 3] id='error' dict_keys(['id', 'name', 'signup_ts', 'friends']) " 6.递归模型
class Sound(BaseModel): sound: str class Dog(BaseModel): birthday: date weight: float = Optional[None] sound: List[Sound] # 不同的狗有不同的叫声。递归模型(Recursive Model)就是指一个嵌套一个 dogs = Dog(birthday=date.today(), weight=6.66, sound=[{"sound": "wang wang ~"}, {"sound": "ying ying ~"}]) print(dogs.dict()) " {'birthday': datetime.date(2022, 6, 9), 'sound': [{'sound': 'wang wang ~'}, {'sound': 'ying ying ~'}]} " 7.ORM模型：从类实例创建符合ORM对象的模型
from sqlalchemy import Column, Integer, String from sqlalchemy.dialects.postgresql import ARRAY from sqlalchemy.ext.declarative import declarative_base Base = declarative_base() class CompanyOrm(Base): __tablename__ = 'companies' # 表名 id = Column(Integer, primary_key=True, nullable=False) public_key = Column(String(20), index=True, nullable=False, unique=True) name = Column(String(63), unique=True) domains = Column(ARRAY(String(255))) class CompanyMode(BaseModel): id: int public_key: constr(max_length=20) # constr = 限制 name: constr(max_length=63) domains: List[constr(max_length=255)] class Config: # 子类 orm_mode = True co_orm = CompanyOrm( id=123, public_key = 'foobar', name='Testing', domains=['example.com', 'imooc.com'] ) print(CompanyMode.from_orm(co_orm)) " id=123 public_key='foobar' name='Testing' domains=['example.com', 'imooc.com'] " 
