Flasgger 教程:打造你的 Flask 应用Swagger UI
2026-01-17 08:52:02作者:鲍丁臣Ursa
1. 项目介绍
Flasgger 是一个用于 Flask 的扩展,它允许从 Flask 视图中提取 OpenAPI 规范(以前称为 Swagger 2.0),并且集成了 Swagger UI。这使得开发者可以轻松地可视化和交互操作基于 Flask 构建的 RESTful API 资源。Flasgger 提供了数据验证功能,根据定义的 YAML、Python 字典或 Marshmallow Schemas 来检查接收到的数据。它可以处理简单函数视图、MethodViews,甚至可以通过 @swag_from 装饰器获取 YAML 或字典中的规范。
2. 项目快速启动
依赖安装
首先,确保你已经安装了 Python 并创建了一个虚拟环境。在终端中执行以下命令:
# 创建虚拟环境
$ mkvirtualenv my_flask_app
# 进入虚拟环境
$ workon my_flask_app
# 安装所需库
$ pip install flask flasgger
快速示例
接下来,我们将创建一个简单的 Flask 应用并集成 Flasgger。创建一个名为 app.py 的文件,然后添加以下代码:
from flask import Flask, jsonify, request
from flasgger import Swagger
app = Flask(__name__)
Swagger(app)
@app.route('/hello', methods=['GET'])
@swag_from({
'tags': ['Example'],
'description': 'Say hello',
'responses': {
'200': {
'description': 'A successful response',
'examples': {'application/json': {'message': 'Hello, World!'}}
}
},
})
def hello():
return jsonify(message="Hello, World!")
if __name__ == '__main__':
app.run(debug=True)
运行这个文件,访问 http://localhost:5000/hello 查看 API 功能。要查看 API 文档,打开浏览器访问 http://localhost:5000/apidocs。
3. 应用案例和最佳实践
一个常见的最佳实践是将 API 规范与代码分离。在一个单独的 YAML 文件中定义规范,然后使用 @swag_from 装饰器导入,例如:
# api_docs.yaml
paths:
/hello:
get:
summary: Say Hello
operationId: say_hello
responses:
'200':
description: Successful response
schema:
type: object
properties:
message:
type: string
在 Python 代码中:
# app.py
from flask import Flask, jsonify, request
from flasgger import Swagger
from swag_from_yaml import swag_from_yaml
app = Flask(__name__)
Swagger(app)
with open('api_docs.yaml', 'r') as f:
SWAGGER_YAML = f.read()
@app.route('/hello', methods=['GET'])
@swag_from_yaml(SWAGGER_YAML)
def hello():
return jsonify(message="Hello, World!")
if __name__ == '__main__':
app.run(debug=True)
这样,API 规范更容易管理和维护。
4. 典型生态项目
Flasgger 可以与多个其他开源项目结合使用,如:
- Marshmallow: 用于数据序列化和验证的强大工具。
- Flask-Restplus: 提供更多高级特性,例如模型定义和自动生成 API 级别的文档。
- OpenAPI Generator: 通过 OpenAPI 规范生成客户端库、服务器 stub 和文档。
Flasgger 的核心在于提供了一个界面友好的方式来展示和测试基于 Flask 的 API。与这些生态项目的结合可以进一步增强你的 API 开发体验。
登录后查看全文
热门项目推荐
相关项目推荐
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00
项目优选
收起
deepin linux kernel
C
27
11
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
567
3.83 K
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
68
20
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
12
1
暂无简介
Dart
798
197
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.37 K
779
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
23
0
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
349
200
Ascend Extension for PyTorch
Python
376
446
无需学习 Kubernetes 的容器平台,在 Kubernetes 上构建、部署、组装和管理应用,无需 K8s 专业知识,全流程图形化管理
Go
16
1