当前位置： 首页 > ops >正文

Python Web框架详解：Flask、Streamlit、FastAPI

ops 2025/7/21 7:22:07

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:

<!DOCTYPE html>
<html>
<head><title>User Page</title>
</head>
<body><h1>Hello, {{ name }}!</h1>
</body>
</html>

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 Flask
from 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 '<User %r>' % 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：

<!DOCTYPE html>
<html>
<head><title>{{ data.title }}</title>
</head>
<body><h1>{{ data.title }}</h1><ul>{% for item in data.items %}<li>{{ item }}</li>{% endfor %}</ul>
</body>
</html>

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 st
import pandas as pd
import numpy as np
import 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 st
import pandas as pd
import 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 FastAPI
from pydantic import BaseModel
​
app = FastAPI()
​
class Item(BaseModel):name: strdescription: str | None = Noneprice: floattax: 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 FastAPI
import 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 FastAPI
from pydantic import BaseModel
​
app = FastAPI()
​
class Product(BaseModel):name: strprice: floatis_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FlaskStreamlitFastAPI
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(❁´◡`❁)。

http://www.xdnf.cn/news/15795.html

相关文章：

  • Pinia 核心知识详解：Vue3 新一代状态管理指南
  • 算法-递推
  • 在通信仿真场景下，Python 和 MATLAB 的性能差异主要体现在运行效率、并行计算、库支持、开发效率等方面。以下是基于最新资料的对比总结
  • AS32X601 系列 MCU 硬件最小系统设计与调试方案探析
  • Web-SQL注入数据库类型用户权限架构分层符号干扰利用过程发现思路
  • 基于SHAP的特征重要性排序与分布式影响力可视化分析
  • 两个路由器通过不同的网段互联
  • 【PTA数据结构 | C语言版】邻接矩阵表示的图基本操作
  • TD3与SAC强化学习算法深度对比
  • 六边形滚动机器人cad【7张】三维图＋设计书明说
  • Github 贪吃蛇 主页设置
  • day057-docker-compose案例与docker镜像仓库
  • Fortinet FortiWeb sql注入导致RCE漏洞复现（CVE-2025-25257）
  • XSS漏洞总结
  • 前端基础知识Vue系列 - 11（Vue组件之间的通信方式）
  • CVE-2022-41128
  • 2024年全国青少年信息素养大赛Scratch编程挑战赛 小低组初赛
  • 深入解析Hadoop中的EditLog与FsImage持久化设计及Checkpoint机制
  • [学习] 双边带调制 (DSB) 与单边带调制 (SSB) 深度对比
  • 【工具变量】地级市城市包容性绿色增长数据（2011-2023年）
  • 明细列表，明细grid中的默认按钮失效，配置按钮失效
  • 深入解析Linux文件重定向原理与dup2系统调用
  • QT窗口（8）-QFileDiag
  • ServletConfig 接口详解
  • 在 Solidity 中，abi是啥
  • 相角补偿全通滤波器设计：相位均衡（0~350Hz，15°超前）
  • Triton的核心概念与简单入门
  • 解锁C++性能密码：TCMalloc深度剖析
  • python类Keys
  • Letter Combination of a Phone Number