python实战 fastapi利器之module(下)

python编程从入门到实践

发布于 2021-02-04 03:26:34

57500

代码可运行

文章被收录于专栏：python编程军火库python编程军火库

运行总次数：0

代码可运行

python生产实战 fastapi利器之module(下)
- 如何应对空数据结构问题？
- 如何处理方法多输出的问题？
- 上节思考题解答
- 总结

python生产实战 fastapi利器之module(下)

如何应对空数据结构问题？

为什么会提出这个问题呢？笔者在开发过程中发现遇到这种情况的case还是很多，我说一个场景看看大家有没有遇到过: 数据我们还是用上节的

{
	"persion_info_list": [],
	"count": 128,
	"book": {
		"1": {
			"book_name": "zg",
			"book_price": 66
		},
		"2": {
			"book_name": "zhongwu",
			"book_price": 88
		}

	}
}

场景: 接口传入参数后，通过我们后端的一系列的逻辑判断后最终输出的数据如上述结构，细心的同学应该能发现 persion_info_list 节点下是一个空列表。我们试想一下是否会出现这种情况呢？太常见了，我解释一下当我们后端经过查询逻辑判断后发现没有满足 persion_info_list 需要添加的节点数据那自然就会返回一个空的列表，当然还有一些情况是本来是可以返回正常的数据结构的但是由于种种原因就是没有返回这时就会返回空列表，相对请求接口的调用方来讲是比较友好的处理方式。

问题: 类似 persion_info_list 这种节点下可能有数据也可能没有数据的这中情况是如何处理呢？在 fastapi 中处理这个问题是使用 Optional 关键词处理，具体的处理实例如下:

from typing import Any, Dict, List, Optional
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: Optional[List[Person]] = Field([],description="用户信息")
    count: int = Field(...,description="数量")
    book: Dict[str,Book] = Field({},description="书籍信息")

如何处理方法多输出的问题？

一般情况下，我们是输入的参数是一个或多个输出的参数是一个，但有时候确实需要输出多个参数，那这种的情况下 fastapi 是如何处理的呢？我们通过代码来看一下

from typing import Any, Coroutine, Dict, List, Optional, Tuple


@app.get("/info")
async def info(req: GetRequest) -> Tuple[ResponseData,str]:
    # 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": "zhihui",
            "age": 12,
            "sex": "F"
        }
    ],
    "count": 128,
    "book":{
        "1":{
            "book_name":"zg",
            "book_price": 66
        }
    }
    }

    return ResponseData(**response_data), "hello,word"

通过代码我们可以看到: 输出多个数据是通过 Tuple 结构来控制的返回的是一个元组类型。

上节思考题解答

我们再来回顾一下上节提到的一个思考题目，如何去拆解这个数据结构做module化呢？我们先再次请出上节给出的数据结构,

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
        }

    }
}

我们看一下我图中圈出来的结构，是否能发现或者有些什么思考，其实这些复杂的数据结构都是我们最常见的基础数据结构组合而成的，我们开始学习一门新的语言的时候也是从字符串、列表、字典、元组等开始的，你看其实很多复杂的东西就是由这些简单的“积木”搭建而成的。

我总结一下合理组织module的有效步骤: 1.整理出要输出的最复杂情况下的数据结构 2.基于1 进行按照数字、字符串、字典、列表等进行拆分 3.划清楚包含与被包含的结构关系 4.基于业务、基于接口的变更频率拆分出合理的父子关系 5.组合起这一组父子关系的结构

通过以上几个步骤我相信你也可以拆分出优秀的数据结构。我再贴一下我上节的 module 组织结构大家再品品

from typing import Any, Dict, List, Optional
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: Optional[List[Person]] = Field([],description="用户信息")
    count: int = Field(...,description="数量")
    book: Dict[str,Book] = Field({},description="书籍信息")