Flask-Shell2HTTP 使用指南
2025-04-18 12:29:36作者:申梦珏Efrain
1. 项目介绍
Flask-Shell2HTTP 是一个基于 Flask 框架的扩展,它可以将任何命令行工具转换为 REST API 服务。这个扩展通过 Flask 的端点异步且安全地执行预定义的 shell 命令,支持动态参数、文件上传、回调函数等功能。它适用于二进制到二进制/HTTP 通信、开发、原型设计、远程控制等多种场景。
2. 项目快速启动
首先,确保您的环境中已经安装了 Python(版本需大于等于 3.6)和 Flask。
接着,通过以下命令安装 Flask-Shell2HTTP:
pip install flask flask_shell2http
然后,创建一个名为 app.py 的文件,并编写以下代码:
from flask import Flask
from flask_executor import Executor
from flask_shell2http import Shell2HTTP
# 创建 Flask 应用实例
app = Flask(__name__)
executor = Executor(app)
shell2http = Shell2HTTP(app=app, executor=executor, base_url_prefix="/commands/")
def my_callback_fn(context, future):
# 用户定义的回调函数(可选)
print(context, future.result())
# 注册一个命令到端点
shell2http.register_command(endpoint="saythis", command_name="echo", callback_fn=my_callback_fn, decorators=[])
if __name__ == "__main__":
app.run(port=4000)
最后,运行应用服务器:
flask run -p 4000
现在,您的 Flask 应用已经可以通过 HTTP 调用来执行 shell 命令了。
3. 应用案例和最佳实践
设置回调函数
在执行完 shell 命令后,可以定义一个回调函数来处理结果:
def my_callback_fn(context, future):
# 用户定义的回调函数(可选)
print(context, future.result())
shell2http.register_command(endpoint="callback_example", command_name="echo", callback_fn=my_callback_fn, decorators=[])
处理文件上传
Flask-Shell2HTTP 支持在命令中处理多个文件上传:
shell2http.register_command(endpoint="upload_example", command_name="some_command", callback_fn=None, decorators=[], allow_files=True)
使用装饰器
可以为端点添加 Flask 装饰器来控制访问:
from flask import request
def require_login(f):
@wraps(f)
def decorated_function(*args, **kwargs):
if request.remote_addr != '127.0.0.1':
return "Not allowed", 403
return f(*args, **kwargs)
return decorated_function
shell2http.register_command(endpoint="secure_command", command_name="echo", callback_fn=None, decorators=[require_login])
4. 典型生态项目
Flask-Shell2HTTP 可以与 Docker 容器中的其他服务配合使用,例如将不同的二进制工具分布在微容器中,并通过 HTTP 请求在这些容器之间进行通信。这种模式特别适用于需要隔离环境或动态执行不同命令的场景。
以上是基于 Flask-Shell2HTTP 的简单教程,通过这个扩展,开发者可以轻松地将命令行工具转化为网络服务,为各种自动化任务提供便利。
登录后查看全文
热门项目推荐
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
项目优选
收起
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
184
197
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
480
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
276
97
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
380
3.44 K
暂无简介
Dart
624
140
React Native鸿蒙化仓库
JavaScript
242
315
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
648
265
openGauss kernel ~ openGauss is an open source relational database management system
C++
157
210