入股不亏！五个理由告诉你为什么是时候开始学习FastAPI了
全文共1863字，预计学习时长10分钟
图源：unsplash
凭借着拥有Flask，Django，Falcon等众多出色框架，Python一直是开发轻量级Web应用程序的热门选择，同时作为机器学习第一语言，它对于模型打包并将它们作为web服务公开方面特别方便。
多年来，Flask都是完成这项工作的不二选择。但现在，新的选择出现了。FastAPI是一个相对崭新的Python Web框架，它脱胎于之前的框架并修复了许多缺陷，它基于Starlette网络框架，并为表单带来了许多实用的功能。
过去的8个月里我每天都在使用它，如果你还没有尝试过，我想给你五个尝试它的理由。
简单却出色的界面
图源：websystemer
所有Web框架都需要在功能性与给开发人员自由度之间取得平衡。Django功能强大但过于刻板；Flask的配置很灵活，可以提供很大的自由度，但用户却有许多工作要做；在频谱方面，FastAPI比Flask的使用范围更广，但它还要设法达到一种更健康的平衡。
让我们看看如何在FastAPI中定义端点：
fromfastapiimportFastAPI
frompydanticimportBaseModel
classUser(BaseModel):
email:str
password: str
app = FastAPI()
@app.post("/login")
deflogin(user:User):
# ...
#do some magic
# ...
return {"msg":"login successful"}
它使用Pydantic定义模式，这是用于数据验证的Python库。这里的操作看着很简单，但是后端却并不简单。
将输入验证的责任委托给FastAPI。如果请求不正确则将返回错误代码，例如email字段包含int，而不是因为严重的应用程序内部服务错误（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，该应用已准备就绪可以接受请求，请求就会是这样的：
curl -X POST "http://localhost:8000/login" -H "accept: application/json" -H "Content-Type: application/json" -d"{\"email\":\"string\",\"password\":\"string\"}"
更棒的是它使用交互式Swagger UI根据OpenAPI自动生成文档：
用于FastAPI应用程序的Swagger UI
异步
与Node.js或Go中相比，Python WSGI Web框架的最大缺点之一是无法异步处理请求。自从引入ASGI以来这一问题就迎刃而解了，FastAPI充分利用了这一点。你要做的就是简单地使用async关键词声明端点，如下所示：
@app.post("/")
async def endpoint():
# ...
# call async functions here with `await`
# ...
return{"msg":"FastAPI is awesome!"}
依赖注入
图源：unsplash
FastAPI管理依赖项的方式非常不错。尽管它没有强制开发人员执行，但是我强烈建议你使用内置的注入系统来处理端点中的依赖项。
举个例子，让我们写一个端点，用户可以在其中发布对某些文章的评论：
fromfastapi import FastAPI, Depends
from pydanticimport BaseModel
class Comment(BaseModel):
username: str
content: str
app = FastAPI()
database ={
"articles": {
1: {
"title":"Top 3Reasons 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": "commentposted!"}
在调用端点时，FastAPI在运行时会自动评估get_database函数，因此你可以根据需要使用返回值，这么做的原因在于：
· 可以通过修改 app.dependency_overrides 字典来重写全局依赖关系。你可以轻松模拟对象，进行测试会十分轻松。
· 依赖项（在我们的例子中是get_database）可以执行更复杂的检查，可以将它们与业务逻辑分开，在很大程度上将复杂的事情简单化。例如轻松实现用户身份验证。
与数据库轻松集成
你可以选择SQL，MongoDB，Redis或其他任意的，FastAPI不会强迫你围绕它构建应用程序。如果你曾经试用过Django与MongoDB一起工作，那么这种痛苦你一定能懂。
使用FastAPI，你无需再经历这些，将数据库添加到堆栈中会变得简单起来。或者更确切地说，要完成的工作量将由你选择的数据库决定，而不是由Web框架增加的复杂性决定。
来看看这些美妙的语言吧：
fromfastapiimportFastAPI, Depends
fromsqlalchemyimportcreate_engine
fromsqlalchemy.ormimport sessionmaker
engine=create_engine("sqlite:///./database.db")
Session = sessionmaker(bind=engine)
def get_db（）：
returnSession()
app = FastAPI()
@app.get（“ /”）
def an_endpoint_using_sql（db =Depends（get_db））：
# ...
# do some SQLAlchemy
# ...
return {"msg": "an exceptionally successfuloperation!"}
GraphQL支持
当使用复杂的数据模型时，REST可能常常会成为阻碍，前端的微小变化需要更新端点的架构可不是闹着玩的。GraphQL在这些情况下就很有用，尽管它不是唯一的，但是Graphene和FastAPI可以无缝地协同工作，无需为Django安装任何诸如graphene_django 之类的扩展程序就可以在本地运行。
出色的文档
如果没有出色的文档，好的框架就无法真正发挥作用。Django，Flask在这方面很出色，FastAPI也毫不逊色。由于它面世的时间还很短，市面上还没有关于它的书籍，但这只是时间问题。
图源：unsplash
无论你是要寻找一种快速、轻量级的框架来服务于你的深度学习模型还是要寻找更复杂的东西，FastAPI都可以帮到你。尝试一次，你会发现入股不亏。
一起分享AI学习与发展的干货
欢迎关注全平台AI垂类自媒体 “读芯术”
（添加小编微信：dxsxbb，加入读者圈，一起讨论最新鲜的人工智能科技哦～）