FastApi-RESTful项目中的类资源(Resource)使用指南
什么是类资源(Resource)
在FastApi-RESTful项目中,类资源(Resource)是一种面向对象的API开发方式,它借鉴了Flask-RESTful的设计理念,允许开发者通过类继承的方式来组织API端点。这种方式特别适合需要快速构建CRUD应用的场景,同时也保持了良好的代码组织结构。
基本使用方法
要创建一个资源类,只需继承自Resource基类,然后定义HTTP方法对应的类方法:
from fastapi_restful.cbv_base import Resource
class UserResource(Resource):
async def get(self):
return {"message": "Hello World"}
然后在主应用文件中注册这个资源:
from fastapi import FastAPI
from fastapi_restful.api import Api
app = FastAPI()
api = Api(app)
api.add_resource(UserResource, "/user")
这样就创建了一个简单的GET端点,访问/user将返回{"message": "Hello World"}。
高级功能
1. 依赖注入
在实际开发中,我们经常需要注入各种依赖,如数据库连接、配置信息等。由于资源类的初始化发生在添加到API之前,我们可以直接在构造函数中注入这些依赖:
class UserResource(Resource):
def __init__(self, db_connection):
self.db = db_connection
async def get(self):
users = await self.db.fetch_users()
return {"users": users}
然后在注册资源时传入依赖:
db_connection = DatabaseConnection()
api.add_resource(UserResource, "/user", resource_kwargs={"db_connection": db_connection})
2. 响应声明
FastAPI的一个强大特性是自动生成的Swagger文档。我们可以使用@set_responses装饰器来声明API的各种响应:
from fastapi_restful.cbv_base import set_responses
from fastapi import status
class UserResource(Resource):
@set_responses(
status_code=status.HTTP_200_OK,
response_model=UserModel,
responses={
status.HTTP_404_NOT_FOUND: {
"description": "User not found",
"model": ErrorModel
},
status.HTTP_401_UNAUTHORIZED: {
"description": "Unauthorized",
"model": ErrorModel
}
}
)
async def get(self, user_id: int):
user = await self.db.get_user(user_id)
if not user:
raise HTTPException(status_code=404, detail="User not found")
return user
@set_responses装饰器支持所有FastAPI原生的响应参数,包括各种响应模型和状态码描述。
最佳实践
-
资源划分:按照业务领域划分资源类,每个资源类处理一个特定的业务实体(如用户、订单等)。
-
方法组织:在资源类中,使用不同的HTTP方法对应不同的操作(GET获取、POST创建、PUT更新等)。
-
错误处理:在资源方法中使用适当的异常处理,并通过
@set_responses声明可能的错误响应。 -
依赖管理:将外部依赖通过构造函数注入,保持资源类的可测试性。
-
响应模型:为每个端点定义清晰的响应模型,这有助于生成准确的API文档。
总结
FastApi-RESTful中的类资源提供了一种结构化的方式来组织API端点,特别适合中大型项目的开发。它结合了面向对象编程的优势和FastAPI的强大功能,使API开发更加高效和可维护。通过合理使用依赖注入和响应声明,可以构建出既强大又易于理解的RESTful API。
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- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
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
ruoyi-plus-soybeanRuoYi-Plus-Soybean 是一个现代化的企业级多租户管理系统,它结合了 RuoYi-Vue-Plus 的强大后端功能和 Soybean Admin 的现代化前端特性,为开发者提供了完整的企业管理解决方案。Vue06- 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
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