你现在应该学习使用FastAPI

Python一直是开发轻量级web应用程序的热门选择，这要归功于Flask、Django、Falcon等许多优秀的框架。由于Python是机器学习的头号语言，打包模型并将其作为服务公开尤其方便。

多年来，Flask一直是这项工作的头号工具，但如果你没有听说过，现在有一个新的挑战者。FastAPI是Python的一个相对较新的web框架，它从它的前辈那里汲取灵感，完善它们并修复其许多缺陷。建立在Starlette之上，它带来了一大堆令人敬畏的功能。

简单但精彩的UI

所有的web框架都需要在功能和给开发者自由之间取得平衡。Django很强大，但非常固执己见。另一方面，Flask的级别很低，可以提供很大的自由度，但是还有很多事情需要用户去做。FastAPI更多的站在Flask一边，但它设法达到了一个更好的平衡。

举个例子，让我们看看在FastAPI中如何定义端点。

from fastapi import FastAPI
from pydantic import BaseModel


class User(BaseModel):
    email: str
    password: str


app = FastAPI()


@app.post("/login")
def login(user: User):
    # ...
    # do some magic
    # ...
    return {"msg": "login successful"}

为了定义模式，它使用Pydantic，这是另一个很棒的Python库，用于数据验证。这在这里很简单，但有太多事情是在后台发生的。验证输入的责任委托给了FastAPI。如果请求不正确，例如"email"字段包含一个int，则会返回相应的错误代码，而不是应用程序因可怕的内部服务器错误（500）而崩溃。

这个简单的示例应用程序可以与uvicorn一起使用：

uvicorn main:app

现在应用程序可以接受请求了，向接口服务器发送以下请求：

curl -X POST "http://localhost:8000/login" -H  "accept: application/json" -H  "Content-Type: application/json" -d "{\"email\":\"string\",\"password\":\"string\"}"

锦上添花的是，它使用交互式swaggerui根据OpenAPI自动生成文档。

异步

与Node.js或Go中的框架相比，pythonwsgiweb框架的最大缺点之一是无法异步处理请求。自从引入ASGI之后，这不再是一个问题，而FastAPI正充分利用了这一点。您只需使用"async"关键字如下：

@app.post("/")
async def endpoint():
    # ...
    # call async functions here with `await`
    # ...
    return {"msg": "FastAPI is awesome!"}

依赖性注入

FastAPI有一种非常酷的方法来管理依赖关系。尽管不是强制要求开发人员这样做，但强烈建议使用内置注入系统来处理端点中的依赖关系。

举个例子，让我们编写一个端点，用户可以在其中向某些文章发表评论。

from fastapi import FastAPI, Depends
from pydantic import BaseModel


class Comment(BaseModel):
    username: str
    content: str


app = FastAPI()


database = {
    "articles": {
        1: {
            "title": "Top 3 Reasons to Start Using FastAPI Now",
            "comments": []
        }
    }
}


def get_database():
    return database


@app.post("/articles/{article_id}/comments")
def post_comment(article_id: int, comment: Comment, database = Depends(get_database)):
    database["articles"][article_id]["comments"].append(comment)
    return {"msg": "comment posted!"}

当请求断点时FastAPI自动运行get_database函数，因此可以根据需要使用返回值。这么做至少有两个好的理由：

1. 可以通过修改app.dependency_overrides覆盖依赖。这使得测试变得轻而易举，因为您可以轻松地模拟对象。
2. 依赖性（在get_database函数的例子中）可以执行更复杂的检查，允许您将它们与业务逻辑分开。这大大简化了事情，例如，用户身份验证可以很容易地用这个实现。

易于与数据库集成

SQL，MongoDB，Redis，或者任何你选择的东西，FastAPI不会强迫你去构建你的应用程序。如果您曾经尝试过使用Django来处理MongoDB，您就会知道这是多么痛苦。有了FastAPI，您不必再费劲了，将数据库添加到程序中是非常简单的。

from fastapi import FastAPI, Depends

from sqlalchemy import create_engine
from sqlalchemy.orm import sessionmaker


engine = create_engine("sqlite:///./database.db")
Session = sessionmaker(bind=engine)


def get_db():
    return Session()


app = FastAPI()


@app.get("/")
def an_endpoint_using_sql(db = Depends(get_db)):
    # ...
    # do some SQLAlchemy
    # ...
    return {"msg": "an exceptionally successful operation!"}

GraphQL支持

当您使用复杂的数据模型时，REST可能是一个严重的障碍。当前端的微小变化需要更新端点的模式时，这绝对不是一件有趣的事。GraphQL在这些情况下非常出色。尽管GraphQL支持在pythonweb框架中并不唯一，Graphene和FastAPI可以无缝地协同工作。

出色的文档

当然，如果没有同样优秀的文档，一个好的框架就不能真正发光。Django、Flask和其他所有公司在这方面都很出色，但FastAPI与他们不相上下。当然，由于它更年轻，还没有关于它的书，但这只是时间问题。

如果你想看看FastAPI的实际应用，我有一个完美的指南给你！我已经写了一个详细的教程，你可以使用FastAPI，Docker Compose和GitHub部署你的机器学习模型。

如何正确地发布和部署机器学习模型

总之，无论您是在寻找一个轻量级的框架来服务于您的深度学习模型，还是更复杂的东西，FastAPI都可以解决问题。如果你还没试过，我强烈建议你这样做，你肯定会爱上这个工具。

原文出处：Medium
作者：Tivadar Danka
原文标题：You Should Start Using FastAPI Now

你们的点赞和收藏是我们最大的创作动力，我们每天都会为大家带来数据科学和量化交易领域的精品内容。

蜂鸟数据：开源金融数据接口，一个API连接世界金融市场。

蜂鸟数据团队由业界顶尖的数据工程师，数据科学家和宽客组成，我们正努力构建一个开源的金融数据库，并提供API接口，目标是令金融数据开源化和平民化。

浏览并测试我们接口吧，目前覆盖股票，外汇，商品期货，数字货币和宏观经济领域，包括实时报价(tick)和历史数据(分钟)，提供REST API和Websocket两种接入方式，能够满足金融分析师，量化交易和理财app的需求。

蜂鸟数据API接口文档

登录蜂鸟官网，注册免费获取API密钥