


Cara melaksanakan pengesahan dan pembersihan data yang diminta dalam FastAPI
Tajuk: Cara melaksanakan pengesahan dan pembersihan data yang diminta dalam FastAPI
FastAPI ialah rangka kerja web berprestasi tinggi dan mudah digunakan yang menyediakan fungsi pengesahan dan pembersihan data yang berkuasa untuk membantu kami menulis API yang mantap. Artikel ini akan memperkenalkan cara melaksanakan pengesahan dan pembersihan data yang diminta dalam FastAPI, dan melampirkan contoh kod yang sepadan.
1 Pasang dan buat aplikasi FastAPI
Pertama, kita perlu memasang FastAPI dan kebergantungannya. Anda boleh menggunakan pip untuk memasang:
$ pip install fastapi
Seterusnya, cipta fail Python baharu app.py dan import modul yang diperlukan:
from fastapi import FastAPI from pydantic import BaseModel
Kemudian, buat contoh aplikasi FastAPI:
app = FastAPI()
2. Cipta Kelas model untuk pengesahan data
Dalam FastAPI, kami boleh menggunakan perpustakaan pydantic untuk mencipta kelas model untuk pengesahan dan pembersihan data permintaan. Kelas model dicipta dengan mewarisi BaseModel. Kita boleh menentukan medan yang akan disahkan dan jenisnya dalam kelas model.
Berikut ialah contoh yang menunjukkan cara membuat kelas model untuk mengesahkan permintaan pengguna:
class UserRequest(BaseModel): username: str age: int email: str
Dalam contoh di atas, kami menentukan kelas model UserRequest dengan tiga medan: nama pengguna, umur dan e-mel, dan dinyatakan Jenisnya ialah rentetan , integer dan rentetan.
3 Gunakan kelas model untuk pengesahan dan pembersihan data
Untuk menggunakan kelas model untuk pengesahan dan pembersihan data dalam FastAPI, kami hanya perlu menggunakan kelas model sebagai anotasi untuk parameter dan menggunakan contoh kelas model dalam fungsi.
Berikut ialah contoh yang menunjukkan cara menggunakan kelas model untuk pengesahan dan pembersihan data dalam FastAPI:
@app.post("/user") def create_user(user: UserRequest): """ 创建用户 """ # 进行业务逻辑处理 # ... return {"message": "用户创建成功"}
Dalam contoh di atas, kami mentakrifkan fungsi create_user dan menggunakan kelas model UserRequest untuk pengesahan dan pembersihan data. Apabila kami menghantar permintaan POST ke laluan /user, FastAPI secara automatik akan mengesahkan sama ada data permintaan mematuhi takrifan kelas model UserRequest.
Jika data yang diminta tidak memenuhi definisi kelas model, FastAPI akan mengembalikan respons 400 Bad Request. Jika data permintaan berjaya disahkan, FastAPI akan menukar data permintaan secara automatik kepada contoh kelas model UserRequest untuk kami gunakan dalam fungsi tersebut.
4. Fungsi pengesahan tersuai dan pengendalian ralat
Kadangkala, kami perlu melakukan beberapa pengesahan logik perniagaan yang kompleks Pada masa ini, kami boleh menggunakan penghias pengesahan dalam pydantic untuk menulis fungsi pengesahan tersuai.
Berikut ialah contoh yang menunjukkan cara menggunakan fungsi pengesahan tersuai dan pengendalian ralat dalam FastAPI:
from pydantic import validator class UserRequest(BaseModel): username: str age: int email: str @validator('age') def validate_age(cls, age): if age < 0 or age > 120: raise ValueError('年龄应在0到120之间') return age
Dalam contoh di atas, kami mentakrifkan fungsi validate_age dan menerapkannya pada medan umur menggunakan penghias pengesah. Dalam fungsi tersebut, kami mempunyai beberapa logik pengesahan tersuai yang akan membuang ralat nilai jika umur bukan antara 0 dan 120.
Selepas menggunakan fungsi pengesahan tersuai, FastAPI akan menggunakannya secara automatik dan mengembalikan respons 400 Bad Request apabila pengesahan gagal.
Ringkasan
Dalam artikel ini, kami mempelajari cara menggunakan kelas model dalam FastAPI untuk mengesahkan dan membersihkan data permintaan. Kami mencipta kelas model dan melaksanakan pengesahan dan pembersihan data dalam fungsi yang menggunakan kelas ini. Kami juga mempelajari cara menulis fungsi pengesahan tersuai dan pengendalian ralat untuk memenuhi keperluan perniagaan yang kompleks.
FastAPI menyediakan fungsi pengesahan dan pembersihan data yang berkuasa, yang boleh memudahkan kerja kami menulis API dan meningkatkan kebolehpercayaan dan keselamatan API. Saya harap artikel ini akan membantu anda memahami dan menggunakan fungsi pengesahan data dan pembersihan FastAPI.
Atas ialah kandungan terperinci Cara melaksanakan pengesahan dan pembersihan data yang diminta dalam FastAPI. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Untuk memaksimumkan kecekapan pembelajaran Python dalam masa yang terhad, anda boleh menggunakan modul, masa, dan modul Python. 1. Modul DateTime digunakan untuk merakam dan merancang masa pembelajaran. 2. Modul Masa membantu menetapkan kajian dan masa rehat. 3. Modul Jadual secara automatik mengatur tugas pembelajaran mingguan.

Python cemerlang dalam permainan dan pembangunan GUI. 1) Pembangunan permainan menggunakan pygame, menyediakan lukisan, audio dan fungsi lain, yang sesuai untuk membuat permainan 2D. 2) Pembangunan GUI boleh memilih tkinter atau pyqt. TKInter adalah mudah dan mudah digunakan, PYQT mempunyai fungsi yang kaya dan sesuai untuk pembangunan profesional.

Python sesuai untuk sains data, pembangunan web dan tugas automasi, manakala C sesuai untuk pengaturcaraan sistem, pembangunan permainan dan sistem tertanam. Python terkenal dengan kesederhanaan dan ekosistem yang kuat, manakala C dikenali dengan keupayaan kawalan dan keupayaan kawalan yang mendasari.

Anda boleh mempelajari konsep pengaturcaraan asas dan kemahiran Python dalam masa 2 jam. 1. Belajar Pembolehubah dan Jenis Data, 2.

Python digunakan secara meluas dalam bidang pembangunan web, sains data, pembelajaran mesin, automasi dan skrip. 1) Dalam pembangunan web, kerangka Django dan Flask memudahkan proses pembangunan. 2) Dalam bidang sains data dan pembelajaran mesin, numpy, panda, scikit-learn dan perpustakaan tensorflow memberikan sokongan yang kuat. 3) Dari segi automasi dan skrip, Python sesuai untuk tugas -tugas seperti ujian automatik dan pengurusan sistem.

Anda boleh mempelajari asas -asas Python dalam masa dua jam. 1. Belajar pembolehubah dan jenis data, 2. Struktur kawalan induk seperti jika pernyataan dan gelung, 3 memahami definisi dan penggunaan fungsi. Ini akan membantu anda mula menulis program python mudah.

Bagaimana Mengajar Asas Pengaturcaraan Pemula Komputer Dalam masa 10 jam? Sekiranya anda hanya mempunyai 10 jam untuk mengajar pemula komputer beberapa pengetahuan pengaturcaraan, apa yang akan anda pilih untuk mengajar ...

Cara mengelakkan dikesan semasa menggunakan fiddlerevery di mana untuk bacaan lelaki-dalam-pertengahan apabila anda menggunakan fiddlerevery di mana ...


Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

AI Hentai Generator
Menjana ai hentai secara percuma.

Artikel Panas

Alat panas

ZendStudio 13.5.1 Mac
Persekitaran pembangunan bersepadu PHP yang berkuasa

SublimeText3 versi Inggeris
Disyorkan: Versi Win, menyokong gesaan kod!

DVWA
Damn Vulnerable Web App (DVWA) ialah aplikasi web PHP/MySQL yang sangat terdedah. Matlamat utamanya adalah untuk menjadi bantuan bagi profesional keselamatan untuk menguji kemahiran dan alatan mereka dalam persekitaran undang-undang, untuk membantu pembangun web lebih memahami proses mengamankan aplikasi web, dan untuk membantu guru/pelajar mengajar/belajar dalam persekitaran bilik darjah Aplikasi web keselamatan. Matlamat DVWA adalah untuk mempraktikkan beberapa kelemahan web yang paling biasa melalui antara muka yang mudah dan mudah, dengan pelbagai tahap kesukaran. Sila ambil perhatian bahawa perisian ini

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

EditPlus versi Cina retak
Saiz kecil, penyerlahan sintaks, tidak menyokong fungsi gesaan kod