python实战 fastapi利器之module(中)

python编程从入门到实践

发布于 2021-02-04 11:26:14

6240

发布于 2021-02-04 11:26:14

文章被收录于专栏：python编程军火库python编程军火库

python生产实战 fastapi利器之module(中)
- 如何定义有效的 module ?
- 定义 module 需要注意什么？
- 复杂生产环境 module 定义举例
- fastapi 中使用 module 化数据进行交互
- 总结

python生产实战 fastapi利器之module(中)

如何定义有效的 module ?

上节中我们定义了一个简单的请求的module，并未解释为何要这样定义。本节我们讨论一下如何定义一个有效的module，何为有效呢？需要满足以下三点:

字段定义要见名知义，不用无意义的字段。
字段类型要明确,是str 就不要定义为 int
是否允许有默认值,需要明确指出每次定义一个module的时候都可以思考一下，自己的module是否是有效的。

定义 module 需要注意什么？

基于我们有效module的解释我们接下来给出大家一些case进行有效的说明:

from typing import Any, Dict
from pydantic import BaseModel, Field

# bad case
class GetRequest(BaseModel):
    a: str = Field(...,)
    b: int = Field(...,)
    c: str = Field(...,)

# good case
class GetRequest(BaseModel):
    name: str = Field("haishiniu",description="用户名")  # 有默认值需要指出
    age: int = Field(18,description="年龄")  # 有默认值需要指出
    sex: str = Field(...,description="性别")  # 必填字段

复杂生产环境 module 定义举例

我们上面给出的case中，我简单解释一下，我们一般定义一个变量 name, name 是 str 类型，其值为:"haiashiniu"

name: str = "haiashiniu"

那 GetRequest 你可以理解为一种新定义的类型,其值是一个属性字典，有写过C/C++ 的对于 struct 结构应该不陌生，其结构相似。

get_request = {
    "name": "haishiniu",
    "age": 19,
    "sex": "M"
}
req: GetRequest = GetRequest(**get_request)

比如我们想构造一个如下的数据结构，应该如何去构思写我们的module呢？

response_data = {
    "persion_info_list":[
        {
            "name": "haishiniu",
            "age": 13,
            "sex": "M"
        },
        {
            "name": "zhihui",
            "age": 12,
            "sex": "F"
        }
    ],
    "count": 128,
    "book":{
        "1":{
            "book_name":"zg",
            "book_price": 66
        },
        "2": {
            "book_name":"zhongwu",
            "book_price": 88
        }

    }
}

以上的这个结构还算是在生产环境中比较简单的数据结构，现在我们思考一下如何去拆解这个数据结构做module化呢？这个问题留给大家进行思考，下期关于module化最后一期介绍一下我自己对这个问题的思考过程。我先给出我自己的版本供大家参考

from typing import Any, Dict, List
from pydantic import BaseModel, Field


class Book(BaseModel):
    book_name: str = Field(...,description="书名")
    book_price: str = Field(...,description="价格")


class Person(BaseModule):
    name: str = Field("haishiniu",description="用户名")
    age: int = Field(18,description="年龄")
    sex: str = Field(...,description="性别")


class ResponseData(BaseModule):
    persion_info_list: List[Person] = Field([],description="用户信息")
    count: int = Field(...,description="数量")
    book: Dict[str,Book] = Field({},description="书籍信息")

fastapi 中使用 module 化数据进行交互

在 module 化(上)中我们是对传入参数进行了 module 化，本期我们对传入的参数和输出的参数都做 module 化处理。

# -*- encoding: utf-8 -*-
from fastapi import FastAPI,Depends,Request
from typing import Any, Dict
from pydantic import BaseModel, Field

app = FastAPI()


class GetRequest(BaseModel):
    name: str = Field("haishiniu",description="用户名")
    age: int = Field(18,description="年龄")
    sex: str = Field(...,description="性别")


class Book(BaseModel):
    book_name: str = Field(...,description="书名")
    book_price: str = Field(...,description="价格")


class Person(BaseModule):
    name: str = Field("haishiniu",description="用户名")
    age: int = Field(18,description="年龄")
    sex: str = Field(...,description="性别")


class ResponseData(BaseModule):
    persion_info_list: List[Person] = Field([],description="用户信息")
    count: int = Field(...,description="数量")
    book: Dict[str,Book] = Field({},description="书籍信息")


@app.get("/info")
async def info(req: GetRequest) -> ResponseData:
    # 逻辑处理 这里我直接是用的现成的数据，具体逻辑填充可以依据具体逻辑进行替换
    response_data = {
                "persion_info_list":[
                    {
                        "name": "haishiniu",
                        "age": 13,
                        "sex": "M"
                    },
                    {
                        "name": "zhihui",
                        "age": 12,
                        "sex": "F"
                    }
                ],
                "count": 128,
                "book":{
                    "1":{
                        "book_name":"zg",
                        "book_price": 66
                    },
                    "2": {
                        "book_name":"zhongwu",
                        "book_price": 88
                    }

                }
    }

    return ResponseData(**response_data)



async def get_common_query_params(request: Request) -> GetRequest:
    common_dict: Dict[str, Any] = dict(
        name=request.query_params.get("name") or "",
        age=request.query_params.get("age") or 0,
        sex=request.query_params.get("sex") or "",
    )

    params = GetRequest(**common_dict,)
    return params



@app.get("/infos/v1")
async def info_v1(req: GetRequest = Depends(get_common_query_params)) -> ResponseData:

    response_data = {
                "persion_info_list":[
                    {
                        "name": "haishiniu",
                        "age": 13,
                        "sex": "M"
                    },
                    {
                        "name": "zhihui",
                        "age": 12,
                        "sex": "F"
                    }
                ],
                "count": 128,
                "book":{
                    "1":{
                        "book_name":"zg",
                        "book_price": 66
                    },
                    "2": {
                        "book_name":"zhongwu",
                        "book_price": 88
                    }

                }
    }

    return ResponseData(**response_data)

总结

我们对本节的内容做简单总结:

知道如何定义一个有效的 module
定义复杂的结构，给出了具有代表性的生产结构及处理方式
演示了生产环境如何去使用 module 去定义入参和出参

本文参与腾讯云自媒体分享计划，分享自微信公众号。

原始发表：2021-01-20，如有侵权请联系 cloudcommunity@tencent.com 删除

编程算法

数据结构

python

本文分享自 python编程从入门到实践微信公众号，前往查看

如有侵权，请联系 cloudcommunity@tencent.com 删除。

本文参与腾讯云自媒体分享计划，欢迎热爱写作的你一起参与！

编程算法

数据结构

python

登录后参与评论

0 条评论

热度