FastAPI环境部署

Posted

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了FastAPI环境部署相关的知识,希望对你有一定的参考价值。

参考技术A 查看使用的命令

Gunicorn 是成熟的,功能齐全的服务器,Uvicorn 内部包含有 Guicorn 的 workers 类,允许你运行 ASGI 应用程序,这些 workers 继承了所有 Uvicorn 高性能的特点。

使用 Guicorn 来进行进程管理,我们可以动态增加或减少进程数量,平滑地重启工作进程,或者升级服务器而无需停机。

在生产环境中,Guicorn 大概是最简单的方式来管理 Uvicorn 了,生产环境部署我们推荐使用 Guicorn 和 Uvicorn 的 worker 类

获取Gunicorn进程树

重启Gunicorn任务

gunicorn的参数详解

启动unicorn

用于管理gunicorn,将其当作自己的子进程启动;当gunicorn由于异常等停止运行后,supervisor可以自动重启gunicorn

supervisor为c/s架构,supervisord 是服务端,supervisorctl 是客户端

supervisord启动成功后,可以通过supervisorctl客户端控制进程,启动、停止、重启

supervisor_gunicorn.ini

更详细参数部署可参考 Supervisord安装和配置

参考文档:
https://www.uvicorn.org/deployment/#gunicorn
https://www.cnblogs.com/mazhiyong/p/13384785.html
https://www.cnblogs.com/shijingjing07/p/9110619.html

FastApi应用和部署生产环境

最近Python的web框架FastApi火起来了,于是自己也搞了一个,写一下流程。

首先安装fastapi:

pip  install  fastapi
pip  install  uvicorn

新建一个启动文件,就叫main.py吧,引入一下包即可:

from fastapi import FastAPI
import uvicorn
app = FastAPI()


@app.get("/")
async def root():
return {"message": "Hello World"}


if __name__ == ‘__main__‘:
uvicorn.run(app=‘main:app‘, host="127.0.0.1", port=8000, reload=True, debug=True)

运行一下就可以了。输入http://127.0.0.1/docs,就会出现fastapi集成的api文档页面。

因为之前一直写php,习惯了mvc得结构,于是自己大概做了个结构,比如我现在需要一个新闻的模块   video_list.py(相当于控制器)  :

from fastapi import APIRouter #引入fastapi的路由
import videoModel #自己的数据模型模块
import verify  #自己的验参数模块


router = APIRouter()
@router.post("/video/")
async def video_list(page: verify.PageInfo):
    return videoModel.select_videos(page.page, page.pageSize)

然后在主文件引入

from fastapi import FastAPI
import uvicorn
import video_list #引入模块

app = FastAPI()


app.include_router(router=video_list.router)  #引入模块路由


@app.get("/")
async def root():
    return {"message": "Hello World"}


if __name__ == __main__:
    uvicorn.run(app=main:app, host="127.0.0.1", port=8000, reload=True, debug=True)

就像插线板一样,将每个小模块路由,插在主文件上。

数据模型层也单独建一个文件,在控制层引入一下:

import pymysql
import config


def select_videos(page, page_size):
    conf = config.config()
    db = pymysql.connect(host=conf[mysql_host], port=conf[mysql_port], user=conf[mysql_user],
                         passwd=conf[mysql_passwd], db=conf[mysql_db], charset=utf8mb4)
                         #unix_socket=‘/Applications/MAMP/tmp/mysql/mysql.sock‘)
    result = dict()
    limits = (page-1)*page_size
    try:
        sql = "select videos_id,title,qn_url,qn_thumbnails from `videos` where status = 1 "               "order by published_at desc limit "+str(limits)+","+str(page_size)
        count_sql = "select count(*) as count from `videos` where status = 1"
        # 执行SQL语句
        cursor = db.cursor()
        cursor.execute(sql)
        # 获取所有记录列表
        lists = cursor.fetchall()
        cursor.execute(count_sql)
        # 获取所有记录列表
        count = cursor.fetchone()
        res = []
        for i in lists:
            data = dict()
            data[id] = i[0]
            data[title] = i[1]
            
            res.append(data)
        result[count] = count[0]
        result[list] = res
    except Exception as e:
        print(e)
    db.close()
    return result

这里要注意,控制层给模型层传数据时需要验证参数,使用 pydantic,没有的话pip安装一下,好像python 3.6之前的版本不支持这个。

from pydantic import BaseModel


class PageInfo(BaseModel):
    page: int = 1
    pageSize: int = 10

我这里验证的分页参数,具体使用规则,看文档。

这样一个简单的结构就完成了,剩下就是部署到生成环境了。需要nginx做转发:

 location / {
            proxy_pass http://127.0.0.1:8000/;
}

最后,再做一个守护进程让fastapi一直运行着,这里需要安装一个 gunicorn,当然,如果你有其他方式只要能用就行,

pip install gunicorn

然后在命令行输入:

gunicorn main:app -w 4 -k uvicorn.workers.UvicornWorker

好了,到此,整个流程就全部完成了。以上都是这两天研究这个框架时简单总结的,如有错误,请留言指出

 

以上是关于FastAPI环境部署的主要内容,如果未能解决你的问题,请参考以下文章

FastApi应用和部署生产环境

基于FastAPI和Docker的机器学习模型部署快速上手

Fastapi python代码执行速度受uvicorn vs gunicorn部署的影响

软件项目部署环境

FastAPI学习-1.环境准备与基础入门

FastApi学习开发环境安装