Rumah pembangunan bahagian belakang Tutorial Python Pembangunan FastAPI Tanpa Pelayan: Membina API Pemain FC pada AWS

Pembangunan FastAPI Tanpa Pelayan: Membina API Pemain FC pada AWS

Jan 11, 2025 pm 04:09 PM

Sudah agak lama saya tidak berpeluang membina sesuatu yang mudah, menarik dan moden. Menjelang akhir tahun 2024, saya terjumpa FastAPI dan teruja, sementara saya telah membina API dalaman di tempat kerja sebelum ini, saya belum lagi mencipta apa-apa yang dihadapi oleh orang ramai.

Helo FastAPI!

FastAPI ialah rangka kerja moden yang berkuasa untuk membina API dengan Python dan ia kelihatan sesuai untuk apa yang saya mahu bina, API untuk maklumat asas pemain bola sepak. Saya pada mulanya menggelarkannya sebagai "Jugador FC" sebelum memilih "Player FC API".

Mengkonfigurasi Persekitaran.

Sebelum anda bermula, pastikan anda mempunyai keperluan berikut:

AWS CDK
Pelabuhan
Python 3.12.7

Mencipta Projek

Buat direktori pada mesin anda. Namakannya player_fc_fastapi_app, dalam direktori ini buat subdirektori berikut:

apl
    Mengandungi semua kod FastAPI
dynamo_db_local
    Mengandungi skrip python untuk mencipta versi tempatan Jadual Amazon DynamoDB
iac
    Mengandungi fail tindanan anda untuk mencipta sumber dalam AWS

Saya telah memudahkannya dengan menyediakan arahan yang boleh anda jalankan untuk menjimatkan masa di bawah:

Struktur direktori projek kini sepatutnya kelihatan seperti di bawah:

Menyediakan persekitaran Python

Selepas mencipta struktur direktori, cipta fail teks yang dipanggil requirements.txt dan masukkan baris berikut di dalamnya:

Setelah anda mencipta fail requirements.txt, cipta persekitaran maya dan pasang kebergantungan:

Menyediakan Amazon DynamoDB Local

Mari kita mulakan dengan menyediakan tika tempatan DynamoDB, ini memerlukan
Docker

untuk dipasang dan dijalankan.

Ini akan mengambil masa beberapa saat untuk imej ditarik dan memulakan bekas, setelah selesai kita boleh menavigasi ke arah direktori

dynamo_db_local dan mencipta fail create_ddb_table.py, isikan fail dengan kod di bawah :

Dengan kod ini, anda boleh mencipta jadual dalam contoh DynamoDB setempat. Jalankan coretan kod. Pembangunan FastAPI

Sekarang kita mempunyai instance tempatan

DynamoDB
dan berjalan, mari mula membuat apl kami, navigasi ke arah direktori
apl

dan buat dua fail, main.py dan keperluan. txt.

Isi keperluan.txt dengan yang di bawah:

Buat subdirektori di bawah :

model
     Model Pydantic Player<script></script> <script></script>penghala<script></script><script></script>      Mengandungi laluan<script></script> <script></script> <script></script> <script></script>

Mari kita buat beberapa model menggunakan Pydantic, kami akan menggunakan model Player dan UpdatePlayer untuk menentukan struktur data maklumat pemain yang boleh kami tambah atau ubah suai.

Dalam subdirektori model, buat fail __init__.py kosong dan fail bernama players.py dan isikan kod di bawah:

Dalam subdirektori penghala

, buat fail __init__.py kosong dan fail bernama players.py dan isikan kod di bawah:

Mencipta fail __init__.py kosong menukar folder menjadi pakej Python.

Buat fail bernama main.py dalam subdirektori

app
dan mula mengisinya dengan kod di bawah:

Pandu Uji Masa untuk pandu uji pantas, pastikan anda berada dalam direktori app

dan jalankan arahan di bawah untuk memulakan
Uvicorn
:

Sekarang apl kami sedang aktif dan berjalan, navigasi ke

http://127.0.0.1:8000/docs/

FastAPI Swagger Documentation

Anda akan melihat dokumentasi API interaktif automatik dengan 6 titik akhir tersedia:

Mari cuba tambah pemain. Pilih titik akhir

POST /players
, pilih butang
Cubalah

dan gunakan muatan di bawah untuk menambah pemain terbaik dunia, "Vinícius Júnior":

Berikut ialah rupa setiap operasi API dalam tindakan.

Add Player

Menambah Pemain Baharu:

Get All Players

Mengambil semula Semua Pemain:

Update Player

Mengemaskini Maklumat Pemain:

Get Player

Mendapatkan Butiran Pemain Tunggal:

Delete Player

Mengalih keluar Pemain:

Penggunaan menggunakan AWS CDK v2

Sekarang kami selesa menjalankan dan menguji apl kami secara tempatan, tiba masanya untuk menggunakan apl kami pada AWS. Kami akan menggunakan AWS CDK v2.
Navigasi ke dalam direktori <script></script>iac<script></script>, jalankan arahan di bawah untuk memulakan projek cdk:<script></script> <script></script> <script></script> <script></script>

Ubah suai fail requirements.txt yang terdapat dalam subdirektori, tambah baris di bawah:

Mari kita tentukan Jadual DynamoDB, fungsi Lambda dan url fungsi Lambda. Dalam direktori iac semasa, terdapat subdirektori lain yang anda perlukan untuk menavigasi ke arah (iac

). Buka fail iac_stack.py dan gantikan kandungan tindanan CDK dengan kod di bawah:

Kami mempunyai satu langkah terakhir sebelum kami memulakan penggunaan, tetapkan bendera untuk local_development: bool kepada False dalam fail players.py dalam direktori

app/router
.

Aktifkan persekitaran maya dalam direktori
iac
dan pasang kebergantungan dengan arahan di bawah:

Gunakan apl dengan arahan penggunaan cdk.CDK Deploy FastAPI APP
Setelah penempatan selesai, anda akan melihat URL fungsi dalam output terminal, ini ialah titik akhir API anda pada AWS.

    Uji semua titik akhir menggunakan URL fungsi seperti yang kami lakukan semasa pemacu ujian tempatan. Sebaik sahaja anda menambah pemain, tiba masanya untuk mengesahkan sama ada data pemain kami kekal atau hilang ke dalam eter.
  1. Untuk mengesahkan semuanya berfungsi:
  2. Pergi ke Konsol Pengurusan AWS
  3. Navigasi ke DynamoDB
  4. Cari Pemain Jadual
Pilih

Teroka item jadual

Player FC DynamoDB Table

Anda sepatutnya melihat data pemain anda dalam awan:

?

Penting: Jangan lupa untuk membersihkan sumber! Apabila tidak diperlukan lagi, anda boleh menjalankan perintah cdk destroy untuk memadam semua sumber AWS yang telah dibuat. <script></script>Itu melengkapkan perjalanan kami daripada pembangunan FastAPI tempatan kepada penggunaan tanpa pelayan pada AWS.<script></script> <script></script> <script></script>

Atas ialah kandungan terperinci Pembangunan FastAPI Tanpa Pelayan: Membina API Pemain FC pada AWS. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Kenyataan Laman Web ini
Kandungan artikel ini disumbangkan secara sukarela oleh netizen, dan hak cipta adalah milik pengarang asal. Laman web ini tidak memikul tanggungjawab undang-undang yang sepadan. Jika anda menemui sebarang kandungan yang disyaki plagiarisme atau pelanggaran, sila hubungi admin@php.cn

Alat AI Hot

Undresser.AI Undress

Undresser.AI Undress

Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover

AI Clothes Remover

Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool

Undress AI Tool

Gambar buka pakaian secara percuma

Clothoff.io

Clothoff.io

Penyingkiran pakaian AI

Video Face Swap

Video Face Swap

Tukar muka dalam mana-mana video dengan mudah menggunakan alat tukar muka AI percuma kami!

Artikel Panas

<🎜>: Bubble Gum Simulator Infinity - Cara Mendapatkan dan Menggunakan Kekunci Diraja
3 minggu yang lalu By 尊渡假赌尊渡假赌尊渡假赌
Nordhold: Sistem Fusion, dijelaskan
3 minggu yang lalu By 尊渡假赌尊渡假赌尊渡假赌
Mandragora: Whispers of the Witch Tree - Cara Membuka Kunci Cangkuk Bergelut
3 minggu yang lalu By 尊渡假赌尊渡假赌尊渡假赌

Alat panas

Notepad++7.3.1

Notepad++7.3.1

Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina

SublimeText3 versi Cina

Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1

Hantar Studio 13.0.1

Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6

Dreamweaver CS6

Alat pembangunan web visual

SublimeText3 versi Mac

SublimeText3 versi Mac

Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas

Tutorial Java
1669
14
Tutorial PHP
1273
29
Tutorial C#
1256
24
Python vs C: Lengkung pembelajaran dan kemudahan penggunaan Python vs C: Lengkung pembelajaran dan kemudahan penggunaan Apr 19, 2025 am 12:20 AM

Python lebih mudah dipelajari dan digunakan, manakala C lebih kuat tetapi kompleks. 1. Sintaks Python adalah ringkas dan sesuai untuk pemula. Penaipan dinamik dan pengurusan memori automatik menjadikannya mudah digunakan, tetapi boleh menyebabkan kesilapan runtime. 2.C menyediakan kawalan peringkat rendah dan ciri-ciri canggih, sesuai untuk aplikasi berprestasi tinggi, tetapi mempunyai ambang pembelajaran yang tinggi dan memerlukan memori manual dan pengurusan keselamatan jenis.

Python dan Masa: Memanfaatkan masa belajar anda Python dan Masa: Memanfaatkan masa belajar anda Apr 14, 2025 am 12:02 AM

Untuk memaksimumkan kecekapan pembelajaran Python dalam masa yang terhad, anda boleh menggunakan modul, masa, dan modul Python. 1. Modul DateTime digunakan untuk merakam dan merancang masa pembelajaran. 2. Modul Masa membantu menetapkan kajian dan masa rehat. 3. Modul Jadual secara automatik mengatur tugas pembelajaran mingguan.

Python vs C: Meneroka Prestasi dan Kecekapan Python vs C: Meneroka Prestasi dan Kecekapan Apr 18, 2025 am 12:20 AM

Python lebih baik daripada C dalam kecekapan pembangunan, tetapi C lebih tinggi dalam prestasi pelaksanaan. 1. Sintaks ringkas Python dan perpustakaan yang kaya meningkatkan kecekapan pembangunan. 2. Ciri-ciri jenis kompilasi dan kawalan perkakasan meningkatkan prestasi pelaksanaan. Apabila membuat pilihan, anda perlu menimbang kelajuan pembangunan dan kecekapan pelaksanaan berdasarkan keperluan projek.

Pembelajaran Python: Adakah 2 jam kajian harian mencukupi? Pembelajaran Python: Adakah 2 jam kajian harian mencukupi? Apr 18, 2025 am 12:22 AM

Adakah cukup untuk belajar Python selama dua jam sehari? Ia bergantung pada matlamat dan kaedah pembelajaran anda. 1) Membangunkan pelan pembelajaran yang jelas, 2) Pilih sumber dan kaedah pembelajaran yang sesuai, 3) mengamalkan dan mengkaji semula dan menyatukan amalan tangan dan mengkaji semula dan menyatukan, dan anda secara beransur-ansur boleh menguasai pengetahuan asas dan fungsi lanjutan Python dalam tempoh ini.

Yang merupakan sebahagian daripada Perpustakaan Standard Python: Senarai atau Array? Yang merupakan sebahagian daripada Perpustakaan Standard Python: Senarai atau Array? Apr 27, 2025 am 12:03 AM

Pythonlistsarepartofthestandardlibrary, sementara

Python: Automasi, skrip, dan pengurusan tugas Python: Automasi, skrip, dan pengurusan tugas Apr 16, 2025 am 12:14 AM

Python cemerlang dalam automasi, skrip, dan pengurusan tugas. 1) Automasi: Sandaran fail direalisasikan melalui perpustakaan standard seperti OS dan Shutil. 2) Penulisan Skrip: Gunakan Perpustakaan Psutil untuk memantau sumber sistem. 3) Pengurusan Tugas: Gunakan perpustakaan jadual untuk menjadualkan tugas. Kemudahan penggunaan Python dan sokongan perpustakaan yang kaya menjadikannya alat pilihan di kawasan ini.

Python vs C: Memahami perbezaan utama Python vs C: Memahami perbezaan utama Apr 21, 2025 am 12:18 AM

Python dan C masing -masing mempunyai kelebihan sendiri, dan pilihannya harus berdasarkan keperluan projek. 1) Python sesuai untuk pembangunan pesat dan pemprosesan data kerana sintaks ringkas dan menaip dinamik. 2) C sesuai untuk prestasi tinggi dan pengaturcaraan sistem kerana menaip statik dan pengurusan memori manual.

Python untuk Pembangunan Web: Aplikasi Utama Python untuk Pembangunan Web: Aplikasi Utama Apr 18, 2025 am 12:20 AM

Aplikasi utama Python dalam pembangunan web termasuk penggunaan kerangka Django dan Flask, pembangunan API, analisis data dan visualisasi, pembelajaran mesin dan AI, dan pengoptimuman prestasi. 1. Rangka Kerja Django dan Flask: Django sesuai untuk perkembangan pesat aplikasi kompleks, dan Flask sesuai untuk projek kecil atau sangat disesuaikan. 2. Pembangunan API: Gunakan Flask atau DjangorestFramework untuk membina Restfulapi. 3. Analisis Data dan Visualisasi: Gunakan Python untuk memproses data dan memaparkannya melalui antara muka web. 4. Pembelajaran Mesin dan AI: Python digunakan untuk membina aplikasi web pintar. 5. Pengoptimuman Prestasi: Dioptimumkan melalui pengaturcaraan, caching dan kod tak segerak

See all articles