网站导航
> 技术文档 > Python Web框架详解：Flask、Streamlit、FastAPI_python和web

Python Web框架详解：Flask、Streamlit、FastAPI_python和web

网友: 技术文档 2025-07-30 18:35:50

概述

Python提供了多种优秀的Web框架，每个框架都有其独特的特点和适用场景：

  • Flask：轻量级、灵活的Web框架，适合构建传统的Web应用和API

  • Streamlit：专为数据科学和机器学习应用设计的快速原型开发框架

  • FastAPI：现代、高性能的API框架，具有自动文档生成和类型检查功能

本文将详细介绍这三个框架的使用方法、核心特性和实际应用场景。

Flask详解

Flask简介

Flask是一个用Python编写的轻量级Web应用框架。它被称为“微框架”，因为它不包含ORM（对象关系映射）、表单验证等开箱即用的功能。相反，Flask提供了核心功能，并允许开发者根据项目需求自由选择和集成各种扩展。这使得Flask非常灵活，适合构建小型应用、API服务以及作为大型项目中的微服务。

安装和基础配置

安装Flask非常简单，通常使用pip进行安装：

pip install Flask

核心概念

  • Werkzeug：一个WSGI（Web Server Gateway Interface）工具包，用于处理HTTP请求和响应。

  • Jinja2：一个现代的、设计友好的Python模板引擎，用于渲染HTML页面。

  • 路由（Routing）：将URL映射到Python函数。

  • 视图函数（View Function）：处理请求并返回响应的Python函数。

  • 模板（Templates）：用于生成HTML的文本文件，通常使用Jinja2语法。

路由和视图

Flask使用@app.route()装饰器来定义路由和视图函数：

from flask import Flask​app = Flask(__name__)​@app.route(\'/\')def hello_world():    return \'Hello, World!\'​if __name__ == \'__main__\':    app.run(debug=True)

模板系统

Flask使用Jinja2作为其模板引擎。你可以在templates文件夹中创建HTML文件，并在视图函数中渲染它们：

from flask import Flask​app = Flask(__name__)​@app.route(\'/\')def hello_world():    return \'Hello, World!\'​if __name__ == \'__main__\':    app.run(debug=True)

templates/user.html:

    User Page    
Hello, {{ name }}!

数据库集成

Flask本身不提供数据库集成，但可以通过各种扩展来支持。例如，可以使用Flask-SQLAlchemy来集成SQLAlchemy ORM：

pip install Flask-SQLAlchemy

from flask import Flaskfrom flask_sqlalchemy import SQLAlchemy​app = Flask(__name__)app.config[\'SQLALCHEMY_DATABASE_URI\'] = \'sqlite:///test.db\'db = SQLAlchemy(app)​class User(db.Model):    id = db.Column(db.Integer, primary_key=True)    username = db.Column(db.String(80), unique=True, nullable=False)    email = db.Column(db.String(120), unique=True, nullable=False)​    def __repr__(self):        return \'\' % self.username​with app.app_context():    db.create_all()​# 示例：添加用户# with app.app_context():#     admin = User(username=\'admin\', email=\'admin@example.com\')#     db.session.add(admin)#     db.session.commit()​# 示例：查询用户# with app.app_context():#     user = User.query.filter_by(username=\'admin\').first()#     print(user.email)​if __name__ == \'__main__\':    app.run(debug=True)

实际示例

下面是一个简单的Flask应用，演示了如何创建一个Web页面并显示一些数据：

首先，创建一个名为app.py的文件：

from flask import Flask, render_template​app = Flask(__name__)​@app.route(\'/\')def index():    data = {        \'title\': \'我的Flask应用\',        \'items\': [\'项目A\', \'项目B\', \'项目C\']   }    return render_template(\'index.html\', data=data)​if __name__ == \'__main__\':    app.run(debug=True)

然后，在与app.py同级目录下创建一个名为templates的文件夹，并在其中创建一个名为index.html的文件：

    {<!-- -->{ data.title }}    
{{ data.title }}
    
           {% for item in data.items %}        
  • {{ item }}
    •        {% endfor %}    

运行应用：

python app.py

在浏览器中访问http://127.0.0.1:5000/，你将看到一个包含标题和列表的页面。

Streamlit详解

Streamlit简介

Streamlit是一个开源的Python库，它允许数据科学家和机器学习工程师快速创建交互式Web应用，而无需Web开发经验。Streamlit的特点是简单、快速，只需几行Python代码就能将数据脚本、模型和可视化转换为可分享的Web应用。

安装和基础配置

安装Streamlit非常简单，通常使用pip进行安装：

pip install streamlit

运行Streamlit应用：

streamlit run your_app.py

核心概念

  • 基于脚本：Streamlit应用是Python脚本，每次用户交互（如滑动、输入）都会重新运行整个脚本。

  • 数据流：Streamlit通过缓存机制优化数据处理，避免重复计算。

  • Widget：Streamlit提供了丰富的UI组件（如滑块、按钮、文本输入框），用于用户交互。

组件和布局

Streamlit提供了多种组件和布局选项，可以轻松构建复杂的界面：

import streamlit as st​st.title(\"我的Streamlit应用\")​st.header(\"这是一个标题\")st.subheader(\"这是一个副标题\")​st.write(\"Hello, Streamlit!\")​name = st.text_input(\"请输入你的名字\")if name:    st.write(f\"你好, {name}!\")​number = st.slider(\"选择一个数字\", 0, 100, 50)st.write(f\"你选择的数字是: {number}\")​option = st.selectbox(    \"你喜欢哪种水果?\",   (\"苹果\", \"香蕉\", \"橙子\"))st.write(f\"你选择的水果是: {option}\")​# 布局col1, col2 = st.columns(2)​with col1:    st.header(\"第一列\")    st.write(\"这是第一列的内容。\")​with col2:    st.header(\"第二列\")    st.write(\"这是第二列的内容。\")

数据可视化

Streamlit与流行的Python数据可视化库（如Matplotlib、Plotly、Altair）无缝集成，可以轻松展示数据：

import streamlit as stimport pandas as pdimport numpy as npimport matplotlib.pyplot as plt​st.title(\"数据可视化示例\")​# 生成一些随机数据data = pd.DataFrame(    np.random.randn(20, 3),    columns=[\"a\", \"b\", \"c\"])​st.line_chart(data)​# 使用Matplotlib绘制图表st.subheader(\"Matplotlib图表\")fig, ax = plt.subplots()ax.scatter(data[\"a\"], data[\"b\"])st.pyplot(fig)

实际示例

下面是一个简单的Streamlit应用，用于展示一个随机生成的数据表格和图表：

首先，创建一个名为my_streamlit_app.py的文件：

import streamlit as stimport pandas as pdimport numpy as np​st.title(\"随机数据生成器\")​# 用户输入生成数据的大小num_rows = st.slider(\"选择行数\", 10, 100, 50)​# 生成随机数据data = pd.DataFrame(    np.random.randn(num_rows, 5),    columns=[\"A\", \"B\", \"C\", \"D\", \"E\"])​st.subheader(\"原始数据\")st.dataframe(data)​st.subheader(\"数据折线图\")st.line_chart(data)​# 显示一些统计信息st.subheader(\"数据统计\")st.write(data.describe())

运行应用：

streamlit run my_streamlit_app.py

在浏览器中，你将看到一个交互式的数据应用，可以调整行数并实时查看数据表格和折线图的变化。

FastAPI详解

FastAPI简介

FastAPI是一个现代、高性能的Web框架，用于使用Python 3.7+构建API。它基于标准的Python类型提示，并利用Starlette（用于Web部分）和Pydantic（用于数据部分）来提供出色的性能和开发体验。FastAPI的主要特点包括：

  • 高性能：与Node.js和Go相当，得益于Starlette和Pydantic。

  • 快速开发：减少了大约20%的开发时间。

  • 更少的Bug：减少了大约40%的人为错误。

  • 直观：强大的编辑器支持，代码补全。

  • 健壮：自动生成交互式API文档（Swagger UI和ReDoc）。

  • 基于标准：基于OpenAPI和JSON Schema。

安装和基础配置

安装FastAPI及其推荐的ASGI服务器Uvicorn：

pip install fastapi uvicorn

核心概念

  • Pydantic：用于数据验证、设置和文档的Python库。FastAPI使用它来定义请求体和响应模型。

  • Starlette：一个轻量级的ASGI框架/工具包，FastAPI在其之上构建。

  • 类型提示（Type Hints）：Python 3.5+引入的特性，用于声明变量类型。FastAPI广泛使用它们来提供数据验证、序列化和自动文档。

  • 路径操作（Path Operations）：定义API端点和HTTP方法。

路径操作

FastAPI使用装饰器来定义路径操作，类似于Flask的路由：

from fastapi import FastAPI​app = FastAPI()​@app.get(\"/\")async def read_root():    return {\"Hello\": \"World\"}​@app.get(\"/items/{item_id}\")async def read_item(item_id: int, q: str | None = None):    return {\"item_id\": item_id, \"q\": q}​

运行应用：

uvicorn main:app --reload

数据验证

FastAPI利用Pydantic进行数据验证。你可以定义Pydantic模型来处理请求体：

from fastapi import FastAPIfrom pydantic import BaseModel​app = FastAPI()​class Item(BaseModel):    name: str    description: str | None = None    price: float    tax: float | None = None​@app.post(\"/items/\")async def create_item(item: Item):    return item

异步支持

FastAPI原生支持异步（async/await），这使得它在处理I/O密集型任务时表现出色：

from fastapi import FastAPIimport asyncio​app = FastAPI()​@app.get(\"/async_data/\")async def get_async_data():    await asyncio.sleep(1) # 模拟异步I/O操作    return {\"data\": \"这是异步数据\"}

实际示例

下面是一个简单的FastAPI应用，演示了如何创建一个带有数据验证的API：

首先，创建一个名为main.py的文件：

from fastapi import FastAPIfrom pydantic import BaseModel​app = FastAPI()​class Product(BaseModel):    name: str    price: float    is_available: bool = True​@app.post(\"/products/\")async def create_product(product: Product):    return {\"message\": \"产品创建成功\", \"product\": product}​@app.get(\"/products/{product_name}\")async def get_product(product_name: str):    # 实际应用中会从数据库查询    if product_name == \"apple\":        return Product(name=\"apple\", price=1.0, is_available=True)    return {\"message\": \"产品未找到\"}
运行应用：
uvicorn main:app --reload

打开浏览器访问 http://127.0.0.1:8000/docs，你将看到自动生成的Swagger UI文档，可以测试API。

框架对比

特性 Flask Streamlit FastAPI 类型 微框架，Web应用和API 数据应用和仪表板 API框架，高性能Web服务 学习曲线 中等，需要了解Web开发基础 低，Python脚本即可 中等，需要了解异步编程和类型提示 性能 良好，但不如FastAPI 适用于数据展示，非高并发Web服务 极高，与Node.js和Go相当 主要用途 传统Web应用、小型API、微服务 数据科学应用、机器学习演示、仪表板 高性能API、微服务、数据服务 异步支持 不原生支持，需借助扩展 不适用 原生支持async/await 数据验证 需借助扩展（如WTForms、Marshmallow） 内置UI组件提供简单验证 基于Pydantic，自动数据验证和序列化 自动文档 无，需借助扩展（如Flask-RESTX） 无 内置Swagger UI和ReDoc 生态系统 成熟，大量扩展和社区支持 活跃，专注于数据科学领域 快速增长，得益于Starlette和Pydantic

最佳实践

  • 选择合适的框架：

    • 如果你需要构建一个传统的Web应用，或者一个轻量级的API服务，并且希望有更大的灵活性和控制权，Flask是一个不错的选择。

    • 如果你是一名数据科学家或机器学习工程师，希望快速将数据分析、模型演示或交互式仪表板部署为Web应用，而不想深入Web开发细节，Streamlit是你的首选。

    • 如果你需要构建高性能的API服务，对性能有较高要求，并且希望利用Python的类型提示进行数据验证和自动文档生成，FastAPI是最佳选择。

  • 项目结构：

    • 对于Flask和FastAPI项目，建议采用模块化的项目结构，将路由、模型、服务等分离到不同的文件中，保持代码的清晰和可维护性。

    • Streamlit应用通常是单个Python脚本，但对于复杂的应用，也可以考虑将逻辑拆分为多个函数或模块。

  • 依赖管理：

    • 始终使用pipenv或poetry等工具管理项目依赖，确保环境的隔离和可复现性。

  • 错误处理和日志：

    • 在所有框架中，都应该实现健壮的错误处理机制，并使用日志记录来跟踪应用的行为和问题。

  • 安全性：

    • 对于Web应用和API，安全性至关重要。始终注意输入验证、身份验证、授权、CORS等安全问题。

  • 测试：

    • 为你的应用编写单元测试和集成测试，确保代码的质量和功能的正确性。

  • 部署：

    • 根据框架和应用类型选择合适的部署方式。Flask和FastAPI应用通常部署在Gunicorn、Uvicorn等ASGI/WSGI服务器上，并通过Nginx或Apache进行反向代理。Streamlit应用可以直接通过streamlit run运行，也可以部署到Streamlit Cloud或其他云平台。

小结

        Python生态系统为Web开发提供了多样化的选择。Flask以其轻量和灵活性适用于通用Web应用和API；Streamlit则专注于数据科学和机器学习应用的快速原型开发和部署；而FastAPI凭借其高性能和现代特性，成为构建API服务的理想选择。

        选择哪个框架取决于你的具体项目需求、团队经验和对性能、开发效率、生态系统等方面的考量。理解它们的特点和适用场景，将帮助你做出明智的决策，从而更高效地构建出色的Python Web应用。

尾声

        这里总结了Flask、Streamlit、FastAPI的详解，需要的友友可以多多点赞收藏一波(❁´◡`❁)。

网络标签：

相关问题