The Way to Flask 项目解析:构建简单的 REST 服务
什么是 REST 服务
在现代 Web 开发中,REST (Representational State Transfer) 已经成为构建 API 的主流架构风格。REST 服务通过 HTTP 协议提供轻量级的接口,使客户端和服务器能够以标准化的方式进行数据交换。
REST 服务的核心特点包括:
- 无状态性:每个请求都包含处理所需的所有信息
- 资源导向:通过 URI 标识资源
- 统一接口:使用标准的 HTTP 方法 (GET, POST, PUT, DELETE 等)
- 可缓存性:响应可以明确标记为可缓存或不可缓存
从简单 Flask 应用到 REST 服务
在 The Way to Flask 项目中,作者展示了如何将一个简单的返回 "Hello World" 的 Flask 应用改造为功能完整的 REST 服务。让我们深入分析这个转换过程的关键步骤。
基础改造:返回 JSON 数据
最初的 Flask 应用返回简单的字符串:
@app.route('/')
def index():
return "Hello World!"
改造为返回 JSON 数据时,初学者可能会直接使用 Python 的 json 模块:
import json
@app.route('/')
def index():
return json.dumps({'name': 'tyrael', 'email': 'liqianglau@outlook.com'})
问题发现:虽然返回了 JSON 格式的数据,但响应头仍然是 text/html,这可能导致客户端解析问题。
解决方案:使用 Flask 提供的 jsonify 函数:
from flask import jsonify
@app.route('/')
def index():
return jsonify({'name': 'tyrael', 'email': 'liqianglau@outlook.com'})
jsonify 不仅会自动设置正确的 Content-Type 头 (application/json),还会对 JSON 数据进行格式化,使输出更易读。
支持多种 HTTP 方法
完整的 REST 服务需要支持多种 HTTP 方法来实现 CRUD (Create, Read, Update, Delete) 操作:
@app.route('/', methods=['GET']) # 查询
@app.route('/', methods=['PUT']) # 创建
@app.route('/', methods=['POST']) # 更新
@app.route('/', methods=['DELETE']) # 删除
每种方法对应不同的业务逻辑:
- GET - 查询数据
- PUT - 创建新记录
- POST - 更新现有记录
- DELETE - 删除记录
请求数据处理
Flask 提供了 request 对象来处理客户端发送的数据:
-
GET 请求参数:通过
request.args获取 URL 查询参数name = request.args.get('name') -
请求体数据:通过
request.data获取请求体内容record = json.loads(request.data)
完整实现解析
项目中使用文件作为临时数据存储,实现了完整的 CRUD 操作:
查询数据 (GET)
@app.route('/', methods=['GET'])
def query_records():
name = request.args.get('name')
with open('/tmp/data.txt', 'r') as f:
data = f.read()
records = json.loads(data)
for record in records:
if record['name'] == name:
return jsonify(record)
return jsonify({'error': 'data not found'})
创建数据 (PUT)
@app.route('/', methods=['PUT'])
def create_record():
record = json.loads(request.data)
with open('/tmp/data.txt', 'r') as f:
data = f.read()
records = json.loads(data) if data else []
records.append(record)
with open('/tmp/data.txt', 'w') as f:
f.write(json.dumps(records, indent=2))
return jsonify(record)
更新数据 (POST)
@app.route('/', methods=['POST'])
def update_record():
record = json.loads(request.data)
new_records = []
with open('/tmp/data.txt', 'r') as f:
records = json.loads(f.read())
for r in records:
if r['name'] == record['name']:
r['email'] = record['email']
new_records.append(r)
with open('/tmp/data.txt', 'w') as f:
f.write(json.dumps(new_records, indent=2))
return jsonify(record)
删除数据 (DELETE)
@app.route('/', methods=['DELETE'])
def delte_record():
record = json.loads(request.data)
with open('/tmp/data.txt', 'r') as f:
records = json.loads(f.read())
new_records = [r for r in records if r['name'] != record['name']]
with open('/tmp/data.txt', 'w') as f:
f.write(json.dumps(new_records, indent=2))
return jsonify(record)
实际开发建议
虽然这个示例使用文件存储数据,但在实际项目中:
- 使用数据库:考虑使用 SQLite、MySQL 或 MongoDB 等数据库系统
- 错误处理:添加更完善的错误处理机制
- 数据验证:验证输入数据的格式和有效性
- 身份验证:添加 API 访问权限控制
- 分页:对于大量数据实现分页查询
总结
The Way to Flask 项目通过这个简单的 REST 服务示例,清晰地展示了:
- 如何正确处理 JSON 响应
- 如何支持多种 HTTP 方法
- 如何获取不同类型的请求数据
- 实现完整 CRUD 操作的思路
这个示例为学习 Flask 和 REST API 开发提供了很好的起点,开发者可以在此基础上继续扩展更复杂的功能。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00