新闻详情

新闻详情

首页 / 资讯中心 / 详情

Python FastApi 安装使用、中间件、依赖注入

发布时间:2026/11/15 11:41:42来源:尧图网络
Python FastApi 安装使用、中间件、依赖注入
fastApi 安装pip install fastapi -i https://pypi.tuna.tsinghua.edu.cn/simplepip install uvicorn -i https://pypi.tuna.tsinghua.edu.cn/simple命令运行项目uvicorn myapi:app --reloadfrom fastapi import FastAPIappFastAPI()app.get(/)def read_root():return {Hello: World}app.get(/hello/{name})def say_hello(name: str):return {Hello: fWorld {name} }myapi.pyfrom fastapi import FastAPI from fastapi import Request from fastapi.staticfiles import StaticFiles import uvicorn app FastAPI() #设置静态文件路由 app.mount(/static, StaticFiles(directorystatic), namestatic) from api.book import api_book from api.cbs import api_cbs from api.zz import api_zz app.include_router(api_book,prefix/book,tags[图书接口]) app.include_router(api_cbs,prefix/cbs,tags[出版社]) app.include_router(api_zz,prefix/zz,tags[作者]) app.get(/) def read_root(): return {Hello: World} app.get(/hello/{name}) def say_hello(name: str): return {Hello: fWorld Python {name} } app.get(/get) def get_test(): return {method:get方法} app.post(/post) def post_test(): return {method:post方法} app.put(/put) def put_test(): return {method:put方法} app.delete(/delete) def delete_test(): return {method: delete方法} app.get(/getrequest) def get_testrequest(request: Request): request_data request.query_params print(request_data) return {method:fgetRequest方法{request_data}} app.post(/postrequest) async def post_testrequest(request: Request): post_testrequest await request.json() print(post_testrequest) return {method:fpostRequest方法{post_testrequest}} if __name__ __main__: uvicorn.run(myapi:app, host0.0.0.0, port8000,reloadTrue)book.pyfrom fastapi import APIRouter api_book APIRouter() api_book.get(/get) async def get_test(): return {method:get方法} api_book.post(/post) async def post_test(): return {method:post方法} api_book.put(/put) async def put_test(): return {method:put方法} api_book.delete(/delete) async def delete_test(): return {method:delete万法}cbs.py 同上
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/15 4:54:16

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/15 2:04:12

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/14 10:11:15

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/14 17:14:38

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/14 16:35:50

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/15 4:06:36

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉