FastAPI 学习之路(十一)请求体 - 嵌套模型
学习 模型 请求 嵌套 十一 FastAPI
2023-09-27 14:27:40 时间
系列文章:
FastAPI 学习之路(一)fastapi--高性能web开发框架
还是之前的例子,我们现在书有这样的一个属性,在哪里出售。我们需要增加这样的一个字段,而且书的可以销售的地方是多个的,那么我们应该如何实现呢。
from typing import Optional from fastapi import Body, FastAPI from pydantic import BaseModel, Field app = FastAPI() class Item(BaseModel): name: str description: Optional[str] = Field( None, title="这是描述", max_length=300 ) price: float = Field(..., gt=0, description="价格必须大于0") tax: Optional[float] = None sellarea:list=[] @app.put("/items/{itemid}") def update_items(itemid: int, item: Item = Body(..., embed=True)): results = {"itemid": itemid, "item": item} return results
我们看下我们最后的效果
这样满足了我们的需求,但是我们期望要设置出售的地区,必须传递每一个地区str类型,那么如何来实现呢。
from typing import Optional,List from fastapi import Body, FastAPI from pydantic import BaseModel, Field app = FastAPI() class Item(BaseModel): name: str description: Optional[str] = Field( None, title="这是描述", max_length=300 ) price: float = Field(..., gt=0, description="价格必须大于0") tax: Optional[float] = None sellarea:List[str]=[] @app.put("/items/{itemid}") def update_items(itemid: int, item: Item = Body(..., embed=True)): results = {"itemid": itemid, "item": item} return results
其实实现是很简单的,就是之前的list使用typing 模块中导入 List,这样我们再去定义类型就可以,我们可以看下,加入我们在传递的list中的每一项都是str类型。
那么当我们传递的有一项是list类型
这个时候就报错了。不符合预期了。
当然也可以是Set、dict、tuple都可以。我们可以点进去看typing的源码。
假如我们现在有一个字段,但是它还是需要一个模型,比如我们有一个图片的。它里面需要有url和name。那么我们应该怎么实现呢
from typing import Optional,List,Dict,Set,Tuple from fastapi import Body, FastAPI from pydantic import BaseModel, Field app = FastAPI() class Image(BaseModel): url: str name: str class Item(BaseModel): name: str description: Optional[str] = Field( None, title="这是描述", max_length=300 ) price: float = Field(..., gt=0, description="价格必须大于0") tax: Optional[float] = None sellarea:List[str]=[] image:Optional[Image]=None @app.put("/items/{itemid}") def update_items(itemid: int, item: Item = Body(..., embed=True)): results = {"itemid": itemid, "item": item} return results
我们看下最后的结果。
这样我们就实现了模型的嵌套,那么我们其实可能还是希望url是一个http的url,那么我们如何实现呢。
from typing import Optional,List,Dict,Set,Tuple from fastapi import Body, FastAPI from pydantic import BaseModel, Field,HttpUrl app = FastAPI() class Image(BaseModel): url: HttpUrl name: str class Item(BaseModel): name: str description: Optional[str] = Field( None, title="这是描述", max_length=300 ) price: float = Field(..., gt=0, description="价格必须大于0") tax: Optional[float] = None sellarea:List[str]=[] image:Optional[Image]=None @app.put("/items/{itemid}") def update_items(itemid: int, item: Item = Body(..., embed=True)): results = {"itemid": itemid, "item": item} return results
最后结果:
当然我们还可以做一些其他的。比如List之类的校验。
文章首发在公众号,欢迎关注。
相关文章
- Spark2.0机器学习系列之4:Logistic回归及Binary分类(二分问题)结果评估
- sklearnex 让你的 sklearn 机器学习模型训练快得飞起?
- 2021年 3月8日-3月14日ACM学习日志
- 知识蒸馏、轻量化模型架构、剪枝…几种深度学习模型压缩方法
- 【机器学习】Learning to Rank 简介
- RBF神经网络学习算法及与多层感知器的比较
- AI-多模态-2021:CLIP模型【OpenAI】【连接语言与视觉】【对比学习】
- 推荐系统:深度学习在推荐系统中的应用
- CV-掩码学习-模型-2021:MAE【在NLP和CV两大领域之间架起了一座更简便的桥梁】
- CV-对比学习:概述【通过自监督学习,充分挖掘模型从海量无标注数据中学习通用知识的能力】
- 模型调优:warm_up【针对学习率优化的一种方式:在训练开始的时候先选择使用一个较小的学习率,训练了一些epoches或者steps之后再修改为预先设置的学习率来进行训练】
- 深度学习:模型部署技术方案
- 《计算机视觉:模型、学习和推理》一3.3分类分布
- pydantic学习与使用 ------ 基本模型(BaseModel)使用
- 半监督学习、半监督生成模型与半监督低密度分离
- QT学习二:工具栏
- 转: 最值得阅读学习的 10 个 C 语言开源项目代码
- 机器学习:分类模型的评估精确率Presicion和召回率Recall
- 《计算机视觉:模型、学习和推理》一1.2 其他书籍
- Go微服务框架go-kratos实战学习05:分布式链路追踪 OpenTelemetry, jaeger 使用
- 基于Theano的深度学习框架keras及配合SVM训练模型
- 【Scala】Scala学习资料
- 强烈推荐 | 北交大《图像处理与机器学习》免费视频课(附课件源码)
- 传智播客 C/C++学习笔记 内存四区模型
- 揭秘支付宝中的深度学习引擎:xNN
- Cadence Allegro 17.4学习记录开始34-PCB Editor 17.4软件PCB中Gerber孔符图,钻孔表和钻孔文件
- Cadence Allegro 17.4学习记录开始11-PCB Editor 17.4DXF板框导入和PCB板框自己定义
- Jade/Pug学习(三)之语法规则下
- PyQt(Python+Qt)学习随笔:model/view架构中的排序和代理模型QSortFilterProxyModel
- 【深度学习】参数量、模型大小、显存
- 南京大学 静态软件分析(static program analyzes)-- Data Flow Analysis:Applications 学习笔记
- 1.1.7-学习Opencv与MFC混合编程之---为画图工具添加工具栏
- 系统架构设计师教程-学习-记录(24)信息系统基础知识(4)信息化的典型应用(2)