FastUI 作为 FastAPI 子应用的实现方案
2025-05-26 18:14:33作者:毕习沙Eudora
在 FastAPI 项目中集成 FastUI 作为子应用是一个常见的需求,特别是在需要为现有 API 添加管理界面时。本文将详细介绍如何正确地将 FastUI 挂载为 FastAPI 的子应用。
核心实现思路
FastUI 作为子应用有两种主要实现方式:
-
独立 FastAPI 应用挂载方式
创建一个独立的 FastAPI 应用实例,然后通过主应用的mount方法挂载。这种方式适合需要完全隔离的子应用场景。 -
路由挂载方式
使用 FastAPI 的 APIRouter 创建 UI 相关路由,然后通过include_router方法挂载到主应用。这种方式更加轻量,适合大多数场景。
实现细节
独立应用挂载方式
from fastapi import FastAPI
from fastui import FastUI, AnyComponent, prebuilt_html
from fastapi.responses import HTMLResponse
# 创建子应用
fastui_app = FastAPI()
@fastui_app.get("/api/", response_model=FastUI, response_model_exclude_none=True)
def ui_endpoint() -> list[AnyComponent]:
return [
c.Page(
components=[
c.Heading(text='FastUI 子应用', level=2)
]
)
]
@fastui_app.get('/{path:path}')
async def html_landing() -> HTMLResponse:
return HTMLResponse(prebuilt_html(title='FastUI 子应用'))
# 主应用
main_app = FastAPI()
main_app.mount("/ui", fastui_app)
路由挂载方式(推荐)
from fastapi import APIRouter, FastAPI
from fastui import FastUI, AnyComponent, prebuilt_html
from fastapi.responses import HTMLResponse
# 创建UI路由
ui_router = APIRouter()
@ui_router.get("/api/", response_model=FastUI)
async def ui_endpoint():
return [
c.Page(
components=[
c.Heading(text='FastUI 路由', level=2)
]
)
]
@ui_router.get('/{path:path}')
async def html_landing():
return HTMLResponse(prebuilt_html(title='FastUI 路由'))
# 主应用
app = FastAPI()
app.include_router(ui_router, prefix='/ui')
关键注意事项
-
路由匹配顺序
FastUI 需要两个关键路由:一个处理 API 请求(通常为/api/),一个处理页面请求(通配路由/{path:path})。确保这两个路由定义正确。 -
响应模型
API 路由必须指定response_model=FastUI,这样才能正确序列化返回的组件。 -
HTML 响应
通配路由需要使用prebuilt_html生成基础 HTML 结构,这是 FastUI 前端渲染的基础。 -
前缀处理
使用路由方式时,prefix参数会自动为所有路由添加前缀,比手动拼接路径更可靠。
最佳实践建议
-
对于大多数项目,推荐使用路由挂载方式,它更简单且性能更好。
-
如果子应用需要完全独立的中间件、异常处理等,才考虑使用独立应用挂载方式。
-
将 UI 相关路由组织在单独的文件中,保持项目结构清晰。
-
考虑为生产环境添加适当的缓存头,提升静态资源加载性能。
通过以上方案,开发者可以灵活地将 FastUI 集成到现有 FastAPI 项目中,无论是作为独立子应用还是作为路由组,都能获得良好的开发体验。
登录后查看全文
热门项目推荐
相关项目推荐
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
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-X1-7BSpark-Prover 是由科大讯飞团队开发的专用大型语言模型,专为 Lean4 中的自动定理证明而设计。该模型采用创新的三阶段训练策略,显著增强了形式化推理能力,在同等规模的开源模型中实现了最先进的性能。Python00
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
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
311
2.72 K
deepin linux kernel
C
24
7
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++
639
242
仓颉编译器源码及 cjdb 调试工具。
C++
124
851
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
469
Ascend Extension for PyTorch
Python
149
175
暂无简介
Dart
604
135
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
227
81
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
363
2.99 K
React Native鸿蒙化仓库
JavaScript
236
310