python后端API的本地实现

要求：

部署两个python的接口，一个是使用量表数据类型来预测是否患病，另一个是使用一个视频来预测是否患病。

这也是我第一次接触到python接口，经过今天一天的学习，已经成功用Flask框架实现了python前后端的交互。

先提前导入必要的软件包：

## 共用的
from flask import Flask
from flask import render_template
from flask import request
import pickle
import numpy as np
import pandas as pd

## video用的
from keras.models import load_model ## 加载video模型
from data_process as dt ## 这个是自己写的python文件，功能是对视频文件进行处理

项目在pycharm中调试，导入flask之后还需要自己创建templates文件夹，用来存放html文件。

两个项目中与API相关的文件都是只有两个：index.html和api.py，机器学习模型已经提前训练好，存放在model文件夹中，运行时run api.py文件即可。

一、量表的API

由于之前已经训练好了模型，此次为了便于从前端接收数据，只保留了Q-Chat10的10个二值问题。先定义一个Flask实例，之后是主页面的路由，用来展示问题以及获取数据：

被遮住的是“index.html”，该文件定义了初始页面的结构，具体代码如下：

里面value指默认值，max设置为1，min设置为0，意思是只能选0和1两种答案，action参数是指向，就是获取数据之后转向的页面。method设置为POST，这里原理我不是很懂，但是功能是获取数据。

设置端口为8000，运行api.py代码，控制台会出现一个IP地址，该IP地址是本机地址，然后点击这个地址就可以在浏览器打开初始页面。

点击submit之后输入的信息传入第二个路由的request.form中，使用request.form.to_dict()将数据转化为字典格式，然后使用.get(‘key’)就可以获取到字典的值。

由于之前训练的模型要求输入的数据类型为pandas.core.frame.DataFrame，数据格式为(1,10)，因此还需要进行一些调整，具体思路是：创建一个空数组->把input的值逐个传入数组->数组升维->数组转变为pandas.core.frame.DataFrame格式->传入模型进行预测，最后返回结论。具体代码如下：

result页面出现结果：

二、视频的API

基本过程和量表的一样，只不过获取的数据类型和处理方式发生了一些改变：

引用其他人的一段说明：

enctype就是encodetype就是编码类型的意思。multipart/form-data是指表单数据有多部分构成，既有文本数据，又有文件等二进制数据的意思。默认情况下，enctype的值是application/x-www-form-urlencoded，不能用于文件上传，只有使用了multipart/form-data，才能完整的传递文件数据。application/x-www-form-urlencoded不是不能上传文件，是只能上传文本格式的文件，multipart/form-data是将文件以二进制的形式上传，这样可以实现多种类型的文件上传。
原文链接：https://blog.csdn.net/lingxiyizhi_ljx/article/details/102514560

对上传的视频采取的处理方法是保存到本地，然后调用之前写的函数对视频进行各种处理，最后调用模型进行预测，具体代码如下：

明天就开始把接口部署到服务器，希望能顺利！