【项目心得 の 二】在开发时如果有具体想法需提前和前端沟通，寻求方便的解决方案

【项目心得 の 二】在开发时如果有具体想法需提前和前端沟通，寻求方便的解决方案

结合Python flask 视频流返回问题 & RTSP断流问题解决理解项目业务逻辑

业务场景

• 视频检测：基于图片，视频和在线摄像头的舱门检测，烟雾检测和人员检测
• 语音识别：语音合成，语音转写

Note：这5个功能相互独立。

1、在业务开发时如果有个人具体的想法，在开发之前需和前端沟通

• 假如是单个用户：步骤是先导入视频，执行舱门分析，舱门视频还没分析完，用户转头执行烟雾分析，此时需要先关闭掉前一个舱门分析的进程。

  如果在前端不提醒用户的情况下，设计类图如下，思想是通过frame_detect_handler处理基于图片，视频和摄像头的检测，使用container_map来对用户的camera对象进行注册和删除操作。

在实现时发现python的单例模式不管用，所以建议在前端提醒用户是否关闭掉之前分析的进程。

• 经验：

  • 在开发一个功能的时候，先考虑这个功能是否容易实现；如果较难实现，是否可以在前端上增加人机交互功能，来辅助后端实现。

  • 在后端开发时，很容易对业务进行抽象化、进而选择适合的设计模式，对业务相同部分进行封装，但是有些时候是对业务理解不是很深刻，导致在抽象和封装时容易造成偏差，比如像上面一样：在前端上增加一个事件，在后端增加一个调用接口，就可以控制camera对象的关闭

2、python单例模式

在flask的每个视图（manhole_view，fire_view，faceRecog_view）中import蓝图下的frameDetect_handler，发现是同一个对象。参考python实现单例模式的几种方法实例详解

predict_manhole <app.blueprints.utils.frame_detect_handler.FrameDetectHandler object at 0x000002DE03482288>
predict_fire <app.blueprints.utils.frame_detect_handler.FrameDetectHandler object at 0x000002DE03482288>
face_recog <app.blueprints.utils.frame_detect_handler.FrameDetectHandler object at 0x000002DE03482288>

3、Flask灵活处理post接口（同时支持 formdata 和 json）

Note：flask在处理post请求时，可以同时获取json或者formdata封装的参数

我在使用postman进行接口测试时，习惯将参数封装到formdata中，而实际情况下（和前端对接时），除了上传文件之外，传字符串参数还是用json封装方便。

所以flask在处理post请求时，为了让接口更加灵活，可以同时两种传参格式，flask代码如下：

'''用户删除'''
@dataManageB.route('/delete_person', methods=['POST'])
def delete_person():
    if (request.method == 'POST'):
        ...
        # 封装有效属性
        for key in person.keys():
            if (request.form.get(key) != None):
                person[key] = request.form.get(key)
            else:
                person[key] = request.json.get(key)
        # 删除
        ...
        return jsonify({'code': 200, 'msg': '操作成功', 'data': True})
    else:
        return jsonify({'code': 400, 'msg': '操作失败：请使用POST方法'})

4、基于docker容器的后端部署（分文件夹打包）

考虑到甲方爸爸的要求，为了让后端项目离线部署，项目打包大小又不能大于一个光盘的存储容量（4.3G左右），需要对docker打包的镜像进行压缩，目前又两种解决方法：

1. 抛弃原有的anaconda镜像(解压后就3.27G)，使用干净的ubuntu20.04镜像(解压后73MB)，但是直接在ubuntu环境下安装python和pip，配置会很繁琐和复杂（安装g++，gcc环境，pandas使用时可能会报_bz模块没找到的问题，网上还是建议使用anaconda）
2. 使用基于anaconda的镜像进行打包，将里面大的文件夹（du * -sh查询当前目录下子文件夹大小）单独拷贝出来，加载容器时再导入（docker容器其实就是一个完整的文件系统，对宿主机具有隔离性，因此可以将不必要的大文件导出来，重新加载时再导入容器内使用）。

对docker容器（anaconda原镜像解压后就3.27G）进行单独打包会比较大，由于/opt/conda/lib文件比较大（2.8G），这里将其导成压缩包并从容器内拷贝出来，再重启容器时需要将这个压缩包导入到原/opt/conda/lib位置。
原打包文件大小：

导出压缩包后打包文件大小：

---

基于docker容器的后端部署过程如下：

• 如果没有docker环境：

  sudo apt-get install -y docker.io
  

• 假设当前docker容器名为ai_platform

  1. 加载容器快照，生成ai_platform_deploy:v1镜像：

     cat ai_platform_deploy.tar | docker import - ai_platform_deploy:v1
     

  2. 通过ai_platform_deploy:v1镜像实例化容器（此时实例化容器会报错，容器启动不了，需要将文件拷贝进容器内才可启动）：

     sudo docker run -it --name="ai_platform" -p 5000:5000 ai_platform_deploy:v1 /bin/bash
     

  3. 实例化容器后，将原lib文件打入进容器内，再启动进入容器

     #解压tar
     tar -xvzf opt_conda_lib.tar /home/temp
     
     #拷贝到容器内
     docker cp /home/temp/lib 容器id:/opt/conda/
     
     docker start 容器id
     

  4. 进入容器（如果已经进入则无需使用该命令）：

     sudo docker exec -it ai_platform /bin/bash
     

  5. 启动虚拟环境：

     conda activate ai_env
     

  6. 修改server_config_withDB.yml的ip，配置主机的ip（已在home目录下创建id_dataset和buffers两个文件夹）

     vim /home/ai_platform_v1.0_deploy/app/resources/server_config_withDB.yml
     

  7. 进入项目根目录：

     cd /home/ai_platform_v1.0_deploy
     

  8. 运行项目并挂起：
     先查看后台的运行情况，确保无误后再nohup

     gunicorn -w 5 -b 0.0.0.0:5000 --certfile=client-1.local.crt --keyfile=client-1.local.key manage:app
     

  9. 后台运行项目：

     nohup gunicorn -w 5 -b 0.0.0.0:5000 --certfile=client-1.local.crt --keyfile=client-1.local.key manage:app >> ai_platform.log 2>&1 &
     

  10. 根据项目根目录下的ai_platform.log，查看服务的运行状态：

      tail -10 ai_platform.log
      

  11. 使用https://虚拟机ip:5000/xxx对后端接口进行访问