Sanic、Fastapi 和 Fiber 简单压测对比

Posted 2023-04-28

参考技术A Sanic:

Fiber:

压测使用的程序是 go-stress-testing ， 1000 个并发，每个并发进行 1000 次请求。

每栏对应的字段为：

Sanic:

Fiber:

可以看出来， sanic 和 fiber 差别不大， sanic 的性能几乎与 fiber 持平，可能是当下最高性能的 Python Web 框架，没有之一，即便是之前较为突出的异步框架 fastapi 也要落后于 sanic 。

附上 fastapi 的结果：

Flask 、 Django 等框架不在本文讨论范围之内，这二者本就不是为了高性能设计的框架，没有对比的意义。

sanic 还有一个优势，就是其没有开发服务器，用 sanic -w 8 main.app 运行的服务器就是生产服务器。

如果有想用 Python 开发 Web 服务器的，建议优先考虑 sanic ，但 fastapi 其实也够用了。

基于FastAPI和Docker的机器学习模型部署快速上手

针对前文所述 机器学习模型部署摘要 中docker+fastapi部署机器学习的一个完整示例

outline

• fastapi简单示例
• 基于文件内容检测的机器学习&fastapi
• 在docker容器部署

Install

pip install fastapi
pip install "uvicorn[standard]"

example

from typing import Optional
from fastapi import FastAPI
#创建FastAPI实例
app = FastAPI()

#创建访问路径
@app.get("/")
def read_root():#定义根目录方法
    return "message": "Hello World"#返回响应信息

#定义方法，处理请求
@app.get("/items/item_id")
async def read_item(item_id: int):
    return "item_id": item_id

在开发代码时，为了调试方便，可以使用如下命令

uvicorn main:app --reload

uvicorn main:app --reload 含义

• main：main.py 文件
• app：在 main.py 文件中通过 app = FastAPI() 创建的对象。
• --reload：让服务器在更新代码后重新启动。仅在开发时使用该选项。

upload file and predict

一个简单的上传文件并对文件进行检测的小样例

from typing import Optional
from sympy import content
import uvicorn

from fastapi import FastAPI,File,UploadFile
from io import BytesIO
from ml.predict import load_model,Features,predict

#创建FastAPI实例
app = FastAPI()

#创建访问路径
@app.get("/")
def read_root():
    return "message": "Hello World"

# 加载模型
models = load_model()
def test(file):
	feature = Features(file)
	return model.predict(feature)

#调用模型接口
@app.post("/detect/v2")
async def detect2(file: UploadFile):
    f = file.file
    content = await file.read()
    res = test(content)
    return 
        "filename": file.filename,
        "attributes": (len(content),str(type(f)),str(type(content))),
        "result": res
        


#运行
if __name__ == \'__main__\':
    uvicorn.run(app, host="127.0.0.1", port=8000)

test

在127.0.0.1:8000/docs页面可以测试验证模型

request post

使用request构造post请求验证结果

import time
import requests

t0 = time.time()

url2 = \'http://127.0.0.1:8000/detect/v2\'

filename2 = "examples/00bb57e75b014b9342326afd2e7b7b071ee3f08205e56d0f1bfab8542509212a"

# requests库post请求文件格式
files = 
    \'file\':(filename2,open(filename2, \'rb\'))
    

response2 = requests.post(url2, files=files)

print(response2.content, f"\\n spend time: time.time()-t0")

deployment

install docker

 $ curl -fsSL https://get.docker.com -o get-docker.sh
 $ sudo sh get-docker.sh

官方文档 https://docs.docker.com/engine/install/ubuntu

创建Dockerfile

目录结构如下

.
├── app
│   ├── __init__.py
│   └── main.py #代码目录
├── Dockerfile
└── requirements.txt

构建Dockerfile

vim Dockerfile

 
FROM python:3.9

WORKDIR /code

COPY ./requirements.txt /code/requirements.txt

RUN pip install --no-cache-dir --upgrade -r /code/requirements.txt

COPY ./app /code/app

CMD ["uvicorn", "app.main:app", "--host", "0.0.0.0", "--port", "80"]

build docker image

在Dockerfile所在目录执行

docker build -t myimage .

Start the Docker Container

docker run -d --name mycontainer -p 80:80 myimage

至此，基于docker的fastapi部署完成，可以在主机对应地址看到web信息，或发起对应http请求。

官方文档 https://fastapi.tiangolo.com/zh/deployment/docker/