Flask-Shell2HTTP 使用指南
2025-04-18 15:20:47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
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0198
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0129
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python08
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook07
项目优选
收起
暂无描述
Dockerfile
767
5.02 K
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
865
1.96 K
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
691
1.36 K
Ascend Extension for PyTorch
Python
728
903
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
460
455
deepin linux kernel
C
32
16
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++
1.09 K
1.12 K
本仓库是 Flutter SDK 与 Flutter Engine 的 OpenHarmony 适配版本,由 CPF-Flutter 团队维护。开发者可使用熟悉的 Flutter 技术栈开发 OpenHarmony 应用,3.35.7 及以后的适配版本可基于本仓库源码构建支持 OpenHarmony 的 Flutter Engine。
Dart
1.02 K
265
Claude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed.
Get Started
Rust
1.92 K
198
CANNBot 是面向 CANN 开发的用于提升开发效率的系列智能体,本仓库为其提供可复用的 Skills 模块。
Python
1.01 K
631