


Teil: Erstellen einer Todo-API mit FastAPI: Schritt-für-Schritt-Anleitung
Erstellen einer Todo-API mit FastAPI: Schritt-für-Schritt-Anleitung
Code finden Sie hier: GitHub – jamesbmour/blog_tutorials:
I. Einleitung
Im vorherigen Beitrag haben wir FastAPI vorgestellt und eine grundlegende Projektstruktur eingerichtet. Jetzt gehen wir noch einen Schritt weiter und erstellen eine funktionale Todo-API. Am Ende dieses Tutorials verfügen Sie über ein funktionierendes Backend, das Aufgabenelemente erstellen, lesen, aktualisieren und löschen kann.
Was wir abdecken werden:
- Entwerfen des Todo-Datenmodells
- CRUD-Operationen implementieren
- API-Endpunkte erstellen
- Eingabevalidierung und Fehlerbehandlung hinzufügen
- Testen der API
- Code umgestalten und organisieren
II. Entwerfen des Todo-Datenmodells
Um Aufgaben zu verwalten, müssen wir ein Datenmodell definieren, das einen Aufgabeneintrag darstellt. FastAPI verwendet Pydantic-Modelle zum Validieren und Analysieren von Daten, daher werden wir dies hier nutzen.
A. Definieren des Todo-Schemas
Wir erstellen zwei Modelle mit Pydantic:
- TodoCreate: Für Eingabedaten beim Erstellen oder Aktualisieren einer Todo.
- Todo: Für den vollständigen ToDo-Eintrag, einschließlich Feldern wie „id“ und „created_at“.
from pydantic import BaseModel from typing import Optional from datetime import datetime class TodoCreate(BaseModel): title: str description: Optional[str] = None completed: bool = False class Todo(BaseModel): id: str title: str description: Optional[str] = None completed: bool created_at: datetime
B. Erklären der Felder
- id: Eindeutige Kennung für jede Aufgabe.
- Titel: Hauptinhalt der Aufgabe.
- Beschreibung: Zusätzliche Details (optional).
- abgeschlossen: Boolescher Status der Aufgabe (ob sie erledigt ist oder nicht).
- created_at: Zeitstempel, der angibt, wann die Aufgabe erstellt wurde.
III. Erstellen von CRUD-Operationen für Todos
CRUD steht für „Create“, „Read“, „Update“ und „Delete“ – die vier grundlegenden Vorgänge zur Datenverwaltung. Für dieses Tutorial implementieren wir diese Vorgänge mithilfe einer In-Memory-Datenbank (einer einfachen Liste).
A. Einrichten einer In-Memory-Datenbank
Wir verwenden eine Liste, um unsere Aufgaben zu speichern. Der Einfachheit halber fügen wir auch ein paar Beispiel-Todos hinzu.
from uuid import uuid4 from datetime import datetime todos = [ { "id": str(uuid4()), "title": "Learn FastAPI", "description": "Go through the official FastAPI documentation and tutorials.", "completed": False, "created_at": datetime.now(), }, { "id": str(uuid4()), "title": "Build a Todo API", "description": "Create a REST API for managing todo items using FastAPI.", "completed": False, "created_at": datetime.now(), }, { "id": str(uuid4()), "title": "Write blog post", "description": "Draft a blog post about creating a Todo API with FastAPI.", "completed": False, "created_at": datetime.now(), }, ]
B. Implementieren von Hilfsfunktionen
Wir implementieren eine einfache Hilfsfunktion, um eine Aufgabe anhand ihrer ID zu finden.
def get_todo_by_id(todo_id: str): for todo in todos: if todo["id"] == todo_id: return todo return None
IV. API-Endpunkte implementieren
A. Erstellen eines neuen Todo
Der POST-Endpunkt ermöglicht Benutzern das Erstellen eines neuen Aufgabenelements.
@app.post("/todos/", response_model=Todo) def create_todo(todo: TodoCreate): new_todo = Todo( id=str(uuid4()), title=todo.title, description=todo.description, completed=todo.completed, created_at=datetime.now() ) todos.append(new_todo.dict()) return new_todo
B. Alle Todos abrufen
Der GET-Endpunkt ruft alle Aufgaben aus unserer In-Memory-Datenbank ab.
@app.get("/todos/", response_model=List[Todo]) def get_all_todos(): return todos
C. Abrufen eines einzelnen Todo
Der GET-Endpunkt ermöglicht das Abrufen einer einzelnen Aufgabe anhand ihrer ID.
@app.get("/todos/{todo_id}", response_model=Todo) def get_todo(todo_id: str): todo = get_todo_by_id(todo_id) if not todo: raise HTTPException(status_code=404, detail="Todo not found") return todo
D. Aktualisieren eines Todo
Der PUT-Endpunkt ermöglicht es Benutzern, eine vorhandene Aufgabe zu aktualisieren.
@app.put("/todos/{todo_id}", response_model=Todo) def update_todo(todo_id: str, todo_data: TodoCreate): todo = get_todo_by_id(todo_id) if not todo: raise HTTPException(status_code=404, detail="Todo not found") todo["title"] = todo_data.title todo["description"] = todo_data.description todo["completed"] = todo_data.completed return Todo(**todo)
E. Löschen eines Todo
Der DELETE-Endpunkt ermöglicht Benutzern das Löschen einer Aufgabe anhand ihrer ID.
@app.delete("/todos/{todo_id}") def delete_todo(todo_id: str): todo = get_todo_by_id(todo_id) if not todo: raise HTTPException(status_code=404, detail="Todo not found") todos.remove(todo) return {"detail": "Todo deleted successfully"}
V. Eingabevalidierung und Fehlerbehandlung hinzufügen
A. Eingabevalidierung mit Pydantic
FastAPI validiert Eingabedaten automatisch anhand der von uns definierten Pydantic-Modelle. Dadurch wird sichergestellt, dass die Daten unserem erwarteten Schema entsprechen, bevor sie verarbeitet werden.
B. Benutzerdefinierte Fehlerbehandlung
Wir können Fehlerreaktionen anpassen, indem wir einen Ausnahmehandler hinzufügen.
@app.exception_handler(HTTPException) def http_exception_handler(request, exc: HTTPException): return JSONResponse( status_code=exc.status_code, content={"detail": exc.detail}, )
VI. Testen der API
FastAPI verfügt über eine interaktive Swagger-UI-Dokumentation, die das Testen Ihrer API-Endpunkte erleichtert. Führen Sie einfach die Anwendung aus und navigieren Sie in Ihrem Browser zu /docs.
Testbeispiel
- Eine Todo erstellen: Testen Sie den POST-Endpunkt, indem Sie eine neue Todo erstellen.
- Aufgaben abrufen: Verwenden Sie die GET-Endpunkte, um alle Aufgaben oder eine bestimmte Aufgabe nach ID abzurufen.
- Aktualisieren und löschen: Testen Sie die PUT- und DELETE-Endpunkte, um eine Aufgabe zu aktualisieren oder zu entfernen.
VII. Code umgestalten und organisieren
Wenn die Anwendung wächst, ist es wichtig, den Code organisiert zu halten. Hier ein paar Tipps:
A. Modelle in eine separate Datei verschieben
Sie können Ihre Pydantic-Modelle in eine models.py-Datei verschieben, um Ihre Hauptanwendungsdatei sauber zu halten.
B. Erstellen eines Routers für Todo-Endpunkte
Erwägen Sie die Erstellung eines separaten Routers für todo-bezogene Endpunkte, insbesondere wenn Ihre API wächst.
VIII. Nächste Schritte
Im nächsten Beitrag integrieren wir eine echte Datenbank (wie SQLite oder PostgreSQL) in unsere FastAPI-Anwendung. Wir werden uns auch mit der Benutzerauthentifizierung und erweiterten Funktionen befassen.
Vorgeschlagene Verbesserungen:
- Fügen Sie Filterung und Paginierung zu den GET-Endpunkten hinzu.
- Implementieren Sie die Benutzerauthentifizierung, um persönliche Aufgaben zu verwalten.
IX. Abschluss
In diesem Tutorial haben wir eine einfache Todo-API mit FastAPI erstellt. Wir begannen mit dem Entwurf eines Datenmodells, implementierten CRUD-Operationen und erstellten Endpunkte zur Verwaltung von Aufgaben. Wir haben auch die Eingabevalidierung, Fehlerbehandlung und Tests angesprochen. Auf dieser Grundlage können Sie die API weiter erweitern oder in ein Frontend integrieren, um eine vollwertige Anwendung zu erstellen.
Wenn Sie mein Schreiben unterstützen oder mir ein Bier spendieren möchten:
https://buymeacoffee.com/bmours
Das obige ist der detaillierte Inhalt vonTeil: Erstellen einer Todo-API mit FastAPI: Schritt-für-Schritt-Anleitung. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

Video Face Swap
Tauschen Sie Gesichter in jedem Video mühelos mit unserem völlig kostenlosen KI-Gesichtstausch-Tool aus!

Heißer Artikel

Heiße Werkzeuge

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6
Visuelle Webentwicklungstools

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Heiße Themen











Python ist leichter zu lernen und zu verwenden, während C leistungsfähiger, aber komplexer ist. 1. Python -Syntax ist prägnant und für Anfänger geeignet. Durch die dynamische Tippen und die automatische Speicherverwaltung können Sie die Verwendung einfach zu verwenden, kann jedoch zur Laufzeitfehler führen. 2.C bietet Steuerung und erweiterte Funktionen auf niedrigem Niveau, geeignet für Hochleistungsanwendungen, hat jedoch einen hohen Lernschwellenwert und erfordert manuellem Speicher und Typensicherheitsmanagement.

Um die Effizienz des Lernens von Python in einer begrenzten Zeit zu maximieren, können Sie Pythons DateTime-, Zeit- und Zeitplanmodule verwenden. 1. Das DateTime -Modul wird verwendet, um die Lernzeit aufzuzeichnen und zu planen. 2. Das Zeitmodul hilft, die Studie zu setzen und Zeit zu ruhen. 3. Das Zeitplanmodul arrangiert automatisch wöchentliche Lernaufgaben.

Python ist in der Entwicklungseffizienz besser als C, aber C ist in der Ausführungsleistung höher. 1. Pythons prägnante Syntax und reiche Bibliotheken verbessern die Entwicklungseffizienz. 2. Die Kompilierungsmerkmale von Compilation und die Hardwarekontrolle verbessern die Ausführungsleistung. Bei einer Auswahl müssen Sie die Entwicklungsgeschwindigkeit und die Ausführungseffizienz basierend auf den Projektanforderungen abwägen.

Ist es genug, um Python für zwei Stunden am Tag zu lernen? Es hängt von Ihren Zielen und Lernmethoden ab. 1) Entwickeln Sie einen klaren Lernplan, 2) Wählen Sie geeignete Lernressourcen und -methoden aus, 3) praktizieren und prüfen und konsolidieren Sie praktische Praxis und Überprüfung und konsolidieren Sie und Sie können die Grundkenntnisse und die erweiterten Funktionen von Python während dieser Zeit nach und nach beherrschen.

Python und C haben jeweils ihre eigenen Vorteile, und die Wahl sollte auf Projektanforderungen beruhen. 1) Python ist aufgrund seiner prägnanten Syntax und der dynamischen Typisierung für die schnelle Entwicklung und Datenverarbeitung geeignet. 2) C ist aufgrund seiner statischen Tipp- und manuellen Speicherverwaltung für hohe Leistung und Systemprogrammierung geeignet.

PythonlistsarePartThestandardlibrary, whilearraysarenot.listarebuilt-in, vielseitig und UNDUSEDFORSPORINGECollections, während dieArrayRay-thearrayModulei und loses und loses und losesaluseduetolimitedFunctionality.

Python zeichnet sich in Automatisierung, Skript und Aufgabenverwaltung aus. 1) Automatisierung: Die Sicherungssicherung wird durch Standardbibliotheken wie OS und Shutil realisiert. 2) Skriptschreiben: Verwenden Sie die PSUTIL -Bibliothek, um die Systemressourcen zu überwachen. 3) Aufgabenverwaltung: Verwenden Sie die Zeitplanbibliothek, um Aufgaben zu planen. Die Benutzerfreundlichkeit von Python und die Unterstützung der reichhaltigen Bibliothek machen es zum bevorzugten Werkzeug in diesen Bereichen.

Zu den wichtigsten Anwendungen von Python in der Webentwicklung gehören die Verwendung von Django- und Flask -Frameworks, API -Entwicklung, Datenanalyse und Visualisierung, maschinelles Lernen und KI sowie Leistungsoptimierung. 1. Django und Flask Framework: Django eignet sich für die schnelle Entwicklung komplexer Anwendungen, und Flask eignet sich für kleine oder hochmobile Projekte. 2. API -Entwicklung: Verwenden Sie Flask oder Djangorestframework, um RESTFUFFUPI zu erstellen. 3. Datenanalyse und Visualisierung: Verwenden Sie Python, um Daten zu verarbeiten und über die Webschnittstelle anzuzeigen. 4. Maschinelles Lernen und KI: Python wird verwendet, um intelligente Webanwendungen zu erstellen. 5. Leistungsoptimierung: optimiert durch asynchrones Programmieren, Caching und Code
