Python Web框架Flask、Streamlit、FastAPI示例详解

本文主要是介绍Python Web框架Flask、Streamlit、FastAPI示例详解，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

《PythonWeb框架Flask、Streamlit、FastAPI示例详解》本文对比分析了Flask、Streamlit和FastAPI三大PythonWeb框架：Flask轻量灵活适合传统应用...

概述

python提供了多种优秀的Web框架，每个框架都有其独特的特点和适用场景：

Flask：轻量级、灵活的Web框架，适合构建传统的Web应用和API
Streamlit：专为数据科学和机器学习应用设计的快速原型开发框架
FastAPI：现代、高性能的API框架，具有自动文档生成和类型检查功能

本文将详细介绍这三个框架的使用方法、核心特性和实际应用场景。

Flask详解

Flask简介

Flask是一个用Python编写的轻量级Web应用框架。它被称为“微框架”，因为它不包含ORM（对象关系映射）、表单验证等开箱即用的功能。相反，Flask提供了核心功能，并允许开发者根据项目需求自由选择和集成各种扩展。这使得Flask非常灵活，适合构建小型应用、API服务以及作为大型项目中的微服务。

安装和基础配置

安装Flask非常简单，通常使用pip进行安装：

pip install Flask

核心概念

Werkzeug：一个WSGI（Web Server Gateway Interface）工具包，用于处理HTTP请求和响应。
Jinja2：一个现代的、设计友好的Python模板引擎，用于渲染html页面。
路由（Routing）：将URL映射到Python函数。
视图函数（View Function）：处理请求并返回响应的Python函数。
模板（Templates）：用于生成HTML的文本文件，通常使用Jinja2语法。

路由和视图

Flask使用@app.route()装饰器来定义路由和视图函数：

from flask import Flask
app = Flask(__name__)
@app.route('/')
def hello_world():
    return 'Hello, World!'
if __name__ == '__main__':
    app.run(debug=True)

模板系统

Flask使用Jinja2作为其模板引擎。你可以在templates文件夹中创建HTML文件，并在视图函数中渲染它们：

from flask import Flask
app = Flask(__name__)
@app.route('/')
def hello_world():
    return 'Hello, World!'
if __name__ == '__main__':
    app.run(debug=True)

templates/user.html:

<!DOCTYPE html>
<html>
<head>
    <title>User Page</title>
</head>
<body>
    <h1>Hello, {{ name }}!</h1>
</body>
</html>

数据库集成

Flask本身不提供数据库集成，但可以通过各种扩展来支持。例如，可以使用Flask-SQLAlchemy来集成SQLAlchemy ORM：

pip install Flask-SQLAlchemy

from flask import Flask
from flask_sqlalchemy import SQLAlchemy
app = Flask(__name__)
app.config['SQLALCHEMY_DATABASE_URI'] = 'SQLite:///test.db'
db = SQLAlchemy(app)
class User(db.Model):
    id = db.Column(db.Integer, primary_key=True)
    username = db.Column(db.String(80), unique=True, nullable=False)
    email = db.Column(db.String(120), unique=True, nullable=False)
    def __repr__(self):
        return '<User %r>' % self.username
with app.app_context():
    db.create_all()
# 示例：添加用户
# with app.app_context():
#     admin = User(username='admin', email='admin@example.com')
#     db.session.add(admin)
#     db.session.commit()

# 示例：查询用户
# with app.app_context():
#     user = User.query.filter_by(username='admin').first()
#     print(user.email)

if __name__ == '__main__':
    app.run(debug=True)

实际示例

下面是一个简单的Flask应用，演示了如何创建一个Web页面并显示一些数据：

首先，创建一个名为app.py的文件：

from flask import Flask, render_template
app = Flask(__name__)
@app.route('/')
def index():
    data = {
        'title': '我的Flask应用',
        'items': ['项目A', '项目B', '项目C']
    }
    return render_template('index.html', data=data)
if __name__ == '__main__':
    app.run(debug=True)

然后，在与app.py同级目录下创建一个名为templates的文件夹，并在其中创建一个名为index.html的文件：

<!DOCTYPE html>
<html>
<head>
    <title>{{ data.title }}</title>
</head>
<body>
    <h1>{{ data.title }}</h1>
    <ul>
        {% for item in data.items %}
        <li>{{ item }}</li>
        {% endfor %}
    </ul>
</body>
</html>

运行应用：

python app.py

在浏览器中访问http://127.0.0.1:5000/，你将看到一个包含标题和列表的页面。

Streamlit详解

Streamlit简介

Streamlit是一个开源的Python库，它允许数据科学家和机器学习工程师快速创建交互式Web应用，而无需Web开发经验。Streamlit的特点是简单、快速，只需几行Python代码就能将数据脚本、模型和可视化转换为可分享的Web应用。

安装和基础配置

安装Streamlit非常简单，通常使用pip进行js安装：

pip install streamlit

运行Streamlit应用：

streamlit run your_app.py

核心概念

基于脚本：Streamlit应用是Python脚本，每次用户交互（如滑动、输入）都会重新运行整个脚本。
数据流：Streamlit通过缓存机制优化数据处理，避免重复计算。
Widget：Streamlit提供了丰富的UI组件（如滑块、按钮、文本输入框），用于用户交互。

组件和布局

Streamlit提供了多种组件和布局选项，可以轻松构建复杂的界面：

import streamlit as st
st.title("我的Streamlit应用")
st.header("这是一个标题")
st.subheader("这是一个副标题")
st.write("Hello, Streamlit!")
name = st.text_input("请输入你的名字")
if name:
    st.write(f"你好, {name}!")
number = st.slider("选择一个数字", 0, 100, 50)
st.write(f"你选择的数字是: {number}")
option = st.selectbox(
    "你喜欢哪种水果?",
    ("苹果", "香蕉", "橙子")
)
st.write(f"你选择的水果是: {option}")
# 布局
col1, col2 = st.columns(2)
with col1:
    st.header("第一列")
    st.write("这是第一列的内容。")
with col2:
    st.header("第二列")
    st.write("这是第二列的内容。")

数据可视化

Streamlit与流行的Python数据可视化库（如Matplotlib、Plotly、Altair）无缝集成，可以轻松展示数据：

import streamlit as st
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
st.title("数据可视化示例")
# 生成一些随机数据
data = pd.DataFrame(
    np.random.randn(20, 3),
    columns=["a", "b", "c"]
)
st.line_chart(data)
# 使用Matplotlib绘制图表
st.subheader("Matplotlib图表")
fig, ax = plt.subplots()
ax.scatter(data["a"], data["b"])
st.pyplot(fig)

实际示例

下面是一个简单的Streamlit应用，用于展示一个随机生成的数据表格和图表：

首先，创建一个名为my_streamlit_app.py的文件：

import streamlit as st
import pandas as pd
import numpy as np
st.title("随机数据生成器")
# 用户输入生成数据的大小
num_rows = st.slider("选择行数", 10, 100, 50)
# 生成随机数据
data = pd.DataFrame(
    np.random.randn(num_rows, 5),
    columns=["A", "B", "C", "D", "E"]
)
st.subheader("原始数据")
st.dataframe(data)
st.subheader("数据折线图")
st.line_chart(data)
# 显示一些统计信息
st.subheader("数据统计")
st.write(data.describe())

运行应用：

streamlit run my_streamlit_app.py

在浏览器中，你将看到一个交互式的数据应用，可以调整行数并实时查看数据表格和折线图的变化。

FastAPI详解

FastAPI简介

FastAPI是一个现代、高性能的Web框架，用于使用Python 3.7+构建API。它基于标准的Python类型提示，并利用Starlette（用于Web部分）和Pydantic（用于数据部分）来提供出色的性能和开发体验。FastAPI的主要特点包括：

高性能：与Node.js和Go相当，得益于Starlette和Pydantic。
快速开发：减少了大约20%的开发时间。
更少的Bug：减少了大约40%的人为错误。
直观：强大的编辑器支持，代码补全。
健壮：自动生成交互式API文档（Swagger UI和ReDoc）。
基于标准：基于OpenAPI和JSON Schema。

安装和基础配置

安装FastAPI及其推荐的ASGI服务器Uvicorn：

pip install fastapi uvicorn

核心概念

Pydantic：用于数据验证、设置和文档的Python库。FastAPI使用它来定义请求体和响应模型。
Starlette：一个轻量级的ASGI框架/工具包，FastAPI在其之上构建。
类型提示（Type Hints）：Python 3.5+引入的特性，用于声明变量类型。FastAPI广泛使用它们来提供数据验证、序列化和自动文档。
路径操作（Path Operations）：定China编程义API端点和HTTP方法。

路径操作

FastAPI使用装饰器来定义路径操作，类似于Flask的路由：

from fastapi import FastAPI
app = FastAPI()
@app.get("/")
async def read_root():
    return {"Hello": "World"}
@app.get("/items/{iteChina编程m_id}")
async def read_item(item_id: int, q: str | None = None):
    return {"item_id": item_id, "q": q}

运行应用：

uvicorn main:app --reload

数据验证

FastAPI利用Pydantic进行数据验证。你可以定义Pydantic模型来处理请求体：

from fastapi import FastAPI
from pydantic import BaseModel
app = FastAPI()
class Item(BaseModel):
    name: str
    description: str | None = None
    price: float
    tax: float | None = None
@app.post("/items/")
async def create_item(item: Item):
    return item

异步支持

FastAPI原生支持异步（async/await），这使得它在处理I/O密集型任务时表现出色：

from fastapi import FastAPI
import asyncio
app = FastAPI()
@app.get("/async_data/")
async def get_async_data():
    await asyncio.sleep(1) # 模拟异步I/O操作
    return {"data": "这是异步数据"}

实际示例

下面是一个简单的FastAPI应用，演示了如何创建一个带有数据验证的API：

首先，创建一个名为main.py的文件：

from fastapi import FastAPI
from pydantic import BaseModel
app = FastAPI()
class Product(BaseModel):
    name: str
    price: float
    is_available: bool = True
@app.post("/products/")
async def create_product(product: Product):
    return {"message": "产品创建成功", "product": product}
@app.get("/products/{product_name}")
async def get_product(product_name: str):
    # 实际应用中会从数据库查询
    if product_name == "apple":
        return Product(name="apple", price=1.0, is_available=True)
    return {"message": "产品未找到"}

运行应用：

uvicorn main:app --reload

打开浏览器访问 http://127.0.0.1:8000/docs，你将看到自动生成的Swagger UI文档，可以测试API。

框架对比

特性	Flask	Streamlit	FastAPI
类型	微框架，Web应用和API	数据应用和仪表板	API框架，高性能Web服务
学习曲线	中等，需要了解Web开发基础	低，Python脚本即可	中等，需要了解异步编程和类型提示
性能	良好，但不如FastAPI	适用于数据展示，非高并发Web服务	极高，与Node.js和Go相当
主要用途	传统Web应用、小型API、微服务	数据科学应用、机器学习演示、仪表板	高性能API、微服务、数据服务
异步支持	不原生支持，需借助扩展	不适用	原生支持`async/await`
数据验证	需借助扩展（如WTForms、Marshmallow）	内置UI组件提供简单验证	基于Pydantic，自动数据验证和序列化
自动文档	无，需借助扩展（如Flask-RESTX）	无	内置Swagger UI和ReDoc
生态系统	成熟，大量扩展和社区支持	活跃，专注于数据科学领域	快速增长，得益于Starlette和Pydantic

最佳实践

选择合适的框架：
- 如果你需要构建一个传统的Web应用，或者一个轻量级的API服务，并且希望有更大的灵活性和控制权，Flask是一个不错的选择。
- 如果你是一名数据科学家或机器学习工程师，希望快速将数据分析、模型演示或交互式仪表板部署为Web应用，而不想深入Web开发细节，Streamlit是你的首选。
- 如果你需要构建高性能的API服务，对性能有较高要求，并且希望利用Python的类型提示进行数据验证和自动文档生成，FastAPI是最佳选择。
项目结构：
- 对于Flask和FastAPI项目，建议采用模块化的项目结构，将路由、模型、服务等分离到不同的文件中，保持代码的清晰和可维护性。
- Streamlit应用通常是单个Python脚本，但对于复杂的应用，也可以考虑将逻辑拆分为多个函数或模块。
依赖管理：
- 始终使用pipenv或poetry等工具管理项目依赖，确保环境的隔离和可复现性。
错误处理和日志：
- 在所有框架中，都应该实现健壮的错误处理机制，并使用日志记录来跟踪应用的行为和问题。
安全性：
- 对于Web应用和API，安全性至关重要。始终注意输入验证、身份验证、授权、CORS等安全问题。
测试：
- 为你的应用编写单元测试和集成测试，确保代码的质量和功能的正确性。
部署：
- 根据框架和应用类型选择合适的部署方式。Flask和FastAPI应用通常部署在Gunicorn、Uvicorn等AS编程GI/WSGI服务器上，并通过Nginx或Apache进行反向代理。Streamlit应用可以直接通过streamlit run运行，也可以部署到Streamliandroidt Cloud或其他云平台。

小结

Python生态系统为Web开发提供了多样化的选择。Flask以其轻量和灵活性适用于通用Web应用和API；Streamlit则专注于数据科学和机器学习应用的快速原型开发和部署；而FastAPI凭借其高性能和现代特性，成为构建API服务的理想选择。

选择哪个框架取决于你的具体项目需求、团队经验和对性能、开发效率、生态系统等方面的考量。理解它们的特点和适用场景，将帮助你做出明智的决策，从而更高效地构建出色的Python Web应用。

尾声

这里总结了Flask、Streamlit、FastAPI的详解，需要的友友可以多多点赞收藏一波(❁´◡`❁)。

到此这篇关于Python Web框架详解：Flask、Streamlit、FastAPI的文章就介绍到这了,更多相关Python Flask、Streamlit、FastAPI内容请搜索China编程(www.chinasem.cn)以前的文章或继续浏览下面的相关文章希望大家以后多多支持China编程(www.chinasem.cn)！

这篇关于Python Web框架Flask、Streamlit、FastAPI示例详解的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！