


Cara melaksanakan pengesahan dan pembersihan data yang diminta dalam FastAPI
Tajuk: Cara melaksanakan pengesahan dan pembersihan data yang diminta dalam FastAPI
FastAPI ialah rangka kerja web berprestasi tinggi dan mudah digunakan yang menyediakan fungsi pengesahan dan pembersihan data yang berkuasa untuk membantu kami menulis API yang mantap. Artikel ini akan memperkenalkan cara melaksanakan pengesahan dan pembersihan data yang diminta dalam FastAPI, dan melampirkan contoh kod yang sepadan.
1 Pasang dan buat aplikasi FastAPI
Pertama, kita perlu memasang FastAPI dan kebergantungannya. Anda boleh menggunakan pip untuk memasang:
$ pip install fastapi
Seterusnya, cipta fail Python baharu app.py dan import modul yang diperlukan:
from fastapi import FastAPI from pydantic import BaseModel
Kemudian, buat contoh aplikasi FastAPI:
app = FastAPI()
2. Cipta Kelas model untuk pengesahan data
Dalam FastAPI, kami boleh menggunakan perpustakaan pydantic untuk mencipta kelas model untuk pengesahan dan pembersihan data permintaan. Kelas model dicipta dengan mewarisi BaseModel. Kita boleh menentukan medan yang akan disahkan dan jenisnya dalam kelas model.
Berikut ialah contoh yang menunjukkan cara membuat kelas model untuk mengesahkan permintaan pengguna:
class UserRequest(BaseModel): username: str age: int email: str
Dalam contoh di atas, kami menentukan kelas model UserRequest dengan tiga medan: nama pengguna, umur dan e-mel, dan dinyatakan Jenisnya ialah rentetan , integer dan rentetan.
3 Gunakan kelas model untuk pengesahan dan pembersihan data
Untuk menggunakan kelas model untuk pengesahan dan pembersihan data dalam FastAPI, kami hanya perlu menggunakan kelas model sebagai anotasi untuk parameter dan menggunakan contoh kelas model dalam fungsi.
Berikut ialah contoh yang menunjukkan cara menggunakan kelas model untuk pengesahan dan pembersihan data dalam FastAPI:
@app.post("/user") def create_user(user: UserRequest): """ 创建用户 """ # 进行业务逻辑处理 # ... return {"message": "用户创建成功"}
Dalam contoh di atas, kami mentakrifkan fungsi create_user dan menggunakan kelas model UserRequest untuk pengesahan dan pembersihan data. Apabila kami menghantar permintaan POST ke laluan /user, FastAPI secara automatik akan mengesahkan sama ada data permintaan mematuhi takrifan kelas model UserRequest.
Jika data yang diminta tidak memenuhi definisi kelas model, FastAPI akan mengembalikan respons 400 Bad Request. Jika data permintaan berjaya disahkan, FastAPI akan menukar data permintaan secara automatik kepada contoh kelas model UserRequest untuk kami gunakan dalam fungsi tersebut.
4. Fungsi pengesahan tersuai dan pengendalian ralat
Kadangkala, kami perlu melakukan beberapa pengesahan logik perniagaan yang kompleks Pada masa ini, kami boleh menggunakan penghias pengesahan dalam pydantic untuk menulis fungsi pengesahan tersuai.
Berikut ialah contoh yang menunjukkan cara menggunakan fungsi pengesahan tersuai dan pengendalian ralat dalam FastAPI:
from pydantic import validator class UserRequest(BaseModel): username: str age: int email: str @validator('age') def validate_age(cls, age): if age < 0 or age > 120: raise ValueError('年龄应在0到120之间') return age
Dalam contoh di atas, kami mentakrifkan fungsi validate_age dan menerapkannya pada medan umur menggunakan penghias pengesah. Dalam fungsi tersebut, kami mempunyai beberapa logik pengesahan tersuai yang akan membuang ralat nilai jika umur bukan antara 0 dan 120.
Selepas menggunakan fungsi pengesahan tersuai, FastAPI akan menggunakannya secara automatik dan mengembalikan respons 400 Bad Request apabila pengesahan gagal.
Ringkasan
Dalam artikel ini, kami mempelajari cara menggunakan kelas model dalam FastAPI untuk mengesahkan dan membersihkan data permintaan. Kami mencipta kelas model dan melaksanakan pengesahan dan pembersihan data dalam fungsi yang menggunakan kelas ini. Kami juga mempelajari cara menulis fungsi pengesahan tersuai dan pengendalian ralat untuk memenuhi keperluan perniagaan yang kompleks.
FastAPI menyediakan fungsi pengesahan dan pembersihan data yang berkuasa, yang boleh memudahkan kerja kami menulis API dan meningkatkan kebolehpercayaan dan keselamatan API. Saya harap artikel ini akan membantu anda memahami dan menggunakan fungsi pengesahan data dan pembersihan FastAPI.
Atas ialah kandungan terperinci Cara melaksanakan pengesahan dan pembersihan data yang diminta dalam FastAPI. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

AI Hentai Generator
Menjana ai hentai secara percuma.

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas

Tutorial ini menunjukkan cara menggunakan Python untuk memproses konsep statistik undang -undang ZIPF dan menunjukkan kecekapan membaca dan menyusun fail teks besar Python semasa memproses undang -undang. Anda mungkin tertanya -tanya apa maksud pengedaran ZIPF istilah. Untuk memahami istilah ini, kita perlu menentukan undang -undang Zipf. Jangan risau, saya akan cuba memudahkan arahan. Undang -undang Zipf Undang -undang Zipf hanya bermaksud: Dalam korpus bahasa semulajadi yang besar, kata -kata yang paling kerap berlaku muncul kira -kira dua kali lebih kerap sebagai kata -kata kerap kedua, tiga kali sebagai kata -kata kerap ketiga, empat kali sebagai kata -kata kerap keempat, dan sebagainya. Mari kita lihat contoh. Jika anda melihat corpus coklat dalam bahasa Inggeris Amerika, anda akan melihat bahawa perkataan yang paling kerap adalah "th

Artikel ini menerangkan cara menggunakan sup yang indah, perpustakaan python, untuk menghuraikan html. Ia memperincikan kaedah biasa seperti mencari (), find_all (), pilih (), dan get_text () untuk pengekstrakan data, pengendalian struktur dan kesilapan HTML yang pelbagai, dan alternatif (sel

Artikel ini membandingkan tensorflow dan pytorch untuk pembelajaran mendalam. Ia memperincikan langkah -langkah yang terlibat: penyediaan data, bangunan model, latihan, penilaian, dan penempatan. Perbezaan utama antara rangka kerja, terutamanya mengenai grap pengiraan

Serialization dan deserialization objek Python adalah aspek utama dari mana-mana program bukan remeh. Jika anda menyimpan sesuatu ke fail python, anda melakukan siri objek dan deserialization jika anda membaca fail konfigurasi, atau jika anda menjawab permintaan HTTP. Dalam erti kata, siri dan deserialization adalah perkara yang paling membosankan di dunia. Siapa yang peduli dengan semua format dan protokol ini? Anda mahu berterusan atau mengalirkan beberapa objek python dan mengambilnya sepenuhnya pada masa yang akan datang. Ini adalah cara yang baik untuk melihat dunia pada tahap konseptual. Walau bagaimanapun, pada tahap praktikal, skim siri, format atau protokol yang anda pilih boleh menentukan kelajuan, keselamatan, kebebasan status penyelenggaraan, dan aspek lain dari program

Modul Statistik Python menyediakan keupayaan analisis statistik data yang kuat untuk membantu kami dengan cepat memahami ciri -ciri keseluruhan data, seperti biostatistik dan analisis perniagaan. Daripada melihat titik data satu demi satu, cuma melihat statistik seperti min atau varians untuk menemui trend dan ciri dalam data asal yang mungkin diabaikan, dan membandingkan dataset besar dengan lebih mudah dan berkesan. Tutorial ini akan menjelaskan cara mengira min dan mengukur tahap penyebaran dataset. Kecuali dinyatakan sebaliknya, semua fungsi dalam modul ini menyokong pengiraan fungsi min () dan bukan hanya menjumlahkan purata. Nombor titik terapung juga boleh digunakan. Import secara rawak Statistik import dari fracti

Dalam tutorial ini, anda akan belajar bagaimana menangani keadaan ralat di Python dari sudut pandang keseluruhan sistem. Pengendalian ralat adalah aspek kritikal reka bentuk, dan ia melintasi dari tahap terendah (kadang -kadang perkakasan) sepanjang jalan ke pengguna akhir. Jika y

Artikel ini membincangkan perpustakaan Python yang popular seperti Numpy, Pandas, Matplotlib, Scikit-Learn, Tensorflow, Django, Flask, dan Permintaan, memperincikan kegunaan mereka dalam pengkomputeran saintifik, analisis data, visualisasi, pembelajaran mesin, pembangunan web, dan h

Tutorial ini dibina pada pengenalan sebelumnya kepada sup yang indah, memberi tumpuan kepada manipulasi DOM di luar navigasi pokok mudah. Kami akan meneroka kaedah dan teknik carian yang cekap untuk mengubahsuai struktur HTML. Satu kaedah carian dom biasa ialah Ex
