Python FastAPI 入门：从环境搭建到数据模型实战

from fastapi import FastAPI
import uvicorn

app = FastAPI()

@app.get("/student/{student_id}")
def get_student(student_id: int):
    return {
        "学生 ID": student_id,
        "类型": str(type(student_id))
    }

if __name__ == "__main__":
    uvicorn.run(app="main:app", host="127.0.0.1", port=8088)

注意函数参数中的类型注解 student_id: int。FastAPI 会自动将路径中的值转换为整数。如果传入非数字字符，框架会直接报错提示类型不匹配，这体现了类型检查的强大之处。

2. 查询参数 (Query Parameters)

适用于类似搜索功能的场景，URL 结构如 /search?keyword=python&page=1。未在路径中定义的变量默认为查询参数。

from fastapi import FastAPI
import uvicorn

app = FastAPI()

@app.get("/search")
def search_data(keyword: str, page: int = 1):
    return {
        "你搜的词": keyword,
        "当前页码": page
    }

if __name__ == "__main__":
    uvicorn.run(app="main:app", host="127.0.0.1", port=8088)

访问 /search?keyword=apple 时，page 将使用默认值 1；若添加 &page=5，则返回对应页码。

五、Pydantic 数据模型

当接口需要接收复杂数据（如注册表单的用户名、密码、年龄等）时，逐个定义函数参数会变得杂乱。FastAPI 引入了 Pydantic 库来定义数据的'形状'和校验规则。

from fastapi import FastAPI
import uvicorn
from pydantic import BaseModel

# 定义数据模型
class UserInfo(BaseModel):
    username: str
    password: str
    age: int = 18
    is_student: bool = True

app = FastAPI()

@app.post("/register")
def register(user: UserInfo):
    if user.age < 18:
        return {"message": "未成年人禁止注册", "code": 400}
    return {
        "message": "注册成功",
        "用户": user.username,
        "身份": "学生" if user.is_student else "社会人"
    }

if __name__ == "__main__":
    uvicorn.run(app="main:app", host="127.0.0.1", port=8088)

在接口定义中，将参数类型指定为 UserInfo，FastAPI 会自动解析前端传来的 JSON 数据并填充到 user 对象中。你可以通过 /docs 页面测试 POST 请求，直接在 Request body 中修改 JSON 数据并执行，无需手动编写解析逻辑。

六、总结

掌握上述内容，你已经具备了 FastAPI 的基础开发能力。回顾要点：

1. 安装：使用 pip 安装 fastapi 和 uvicorn。
2. 启动：通过 uvicorn 运行 ASGI 应用。
3. 文档：利用 /docs 自动生成接口文档进行测试。
4. 参数：利用类型提示约束路径和查询参数。
5. 模型：使用 BaseModel 处理复杂的 POST 数据校验。

FastAPI 不仅提升了编码效率，更通过严格的类型系统帮助开发者写出健壮的代码。后续可结合数据库进一步扩展实际业务场景。