如何部署简单python + flask应用

我们先写一个最基本的flask应用:

demopy

from flask import Flask

app = Flask(name)

@approute('\')

def index():

return 'Hello World'

if __name__ == __main__:

apprun()

运行这个py文件，打开浏览器访问127001:5000就能看到显示Hello World的页面

如果让这个flask引用监听来自公网ip的请求，理论上你跑此程序的机器就相当于一个服务器了，然而这个服务器并不完美，所以我们需要nginx和gunicorn来增加它的功能，让它真刀真q上生产环境的时候能按要求运行。

flask自带的WSGI框架性能很差劲，只能适用于开发环境调试使用。我们用专业一点的gunicorn(还有很多其他优秀的框架）替代flask自带的WSGI框架。

配置完后，通过命令’/usr/local/bin/gunicorn -b127001:5000‘启动应用。打开浏览器访问127001:5000,同样能够得到返回页面

然而gunicorn也仅仅是一个python的WSGI框架而已，要让它真正处理来自互联网的各类访问功能还是有点欠缺，这时候就需要用到大名鼎鼎的nginx 服务器来替gunicorn遮风挡雨了。

Ubuntu下安装nginx可以用命令

sudo apt-get install nginx

安装后需要进行下配置：

cd /etc/nginx/sites-available

sudo vi test (test为配置名称，可以根据自己项目进行命名)

test文件的配置为:

server {

listen 80; # 监听80端口

location / {

proxy_pass >

Dict

在小型程序中，特别是在脚本中，使用Python自带的dict来表示结构信息非常简单方便：

>>> ob = {'x':1, 'y':2, 'z':3}

>>> x = ob['x']

>>> ob['y'] = y

由于在Python 36中dict的实现采用了一组有序键，因此其结构更为紧凑，更深得人心。但是，让我们看看dict在内容中占用的空间大小：

>>> print(sysgetsizeof(ob))

240

如上所示，dict占用了大量内存，尤其是如果突然虚需要创建大量实例时：

实例数

对象大小

1 000 000

240 Mb

10 000 000

240 Gb

100 000 000

24 Gb

类实例

有些人希望将所有东西都封装到类中，他们更喜欢将结构定义为可以通过属性名访问的类：

class Point:

#

def __init__(self, x, y, z):

selfx = x

selfy = y

selfz = z

>>> ob = Point(1,2,3)

>>> x = obx

>>> oby = y

类实例的结构很有趣：

字段

大小(比特)

PyGC_Head

24

PyObject_HEAD

16

__weakref__

8

__dict__

8

合计：

56

在上表中，__weakref__是该列表的引用，称之为到该对象的弱引用(weak reference)；字段__dict__是该类的实例字典的引用，其中包含实例属性的值(注意在64-bit引用平台中占用8字节)。从Python33开始，所有类实例的字典的键都存储在共享空间中。这样就减少了内存中实例的大小：

>>> print(sysgetsizeof(ob), sysgetsizeof(ob__dict__))

56 112

因此，大量类实例在内存中占用的空间少于常规字典(dict)：

实例数

大小

1 000 000

168 Mb

10 000 000

168 Gb

100 000 000

168 Gb

不难看出，由于实例的字典很大，所以实例依然占用了大量内存。

带有__slots__的类实例

为了大幅降低内存中类实例的大小，我们可以考虑干掉__dict__和__weakref__。为此，我们可以借助 __slots__：

class Point:

__slots__ = 'x', 'y', 'z'

def __init__(self, x, y, z):

selfx = x

selfy = y

selfz = z

>>> ob = Point(1,2,3)

>>> print(sysgetsizeof(ob))

64

如此一来，内存中的对象就明显变小了：

字段

大小(比特)

PyGC_Head

24

PyObject_HEAD

16

x

8

y

8

z

8

总计：

64

在类的定义中使用了__slots__以后，大量实例占据的内存就明显减少了：

实例数

大小

1 000 000

64 Mb

10 000 000

640 Mb

100 000 000

64 Gb

目前，这是降低类实例占用内存的主要方式。

这种方式减少内存的原理为：在内存中，对象的标题后面存储的是对象的引用(即属性值)，访问这些属性值可以使用类字典中的特殊描述符：

>>> pprint(Point__dict__)

mappingproxy(

'x': ,

'y': ,

'z': })

为了自动化使用__slots__创建类的过程，你可以使用库namedlist(>

我试图为PythonFlask应用程序构建一个Docker映像，但是有构建问题-所有文件都位于一个名为 web -这是项目结构：

和 apppy 目前的情况如下：

我已经把 Dockerfile 从…>

摘要： Flask ， 视图 ， 视图函数 ， 类视图 ， 方法视图 ， 装饰器 ， 蓝图

在Flask中 路由 是指用户请求的 URL 与 视图函数 之间的 映射 ，处理URL和函数之间关系的程序称为路由。Flask根据>

近日只是为了想尽办法为 Flask 实现 Swagger UI 文档功能，基本上要让 Flask 配合 Flasgger, 所以写了篇 Flask 应用集成 Swagger UI 。然而不断的 Google 过程中偶然间发现了 FastAPI 这么一款集成了 Swagger UI 的更新的 Python Web 框架。起初想要在标题中表达的意思大概是 Flask + Swagger = FastAPI, 后来发现 FastAPI 的闪亮点不仅如此，顺便找了些 Flask 与 FastAPI 对比的文章来，在文后附有链接。

本文不对 Flask 与 FastAPI 的各个方面对进行对比，本人兴趣依然还在 FastAPI 的 Swagger UI 功能，以及与 Flask 的 Blueprint 类似的特性。如果要拿 Flask 与 FastAPI 比较的话，应该用 Flask 2x, 因为它开始支持类似 @appget 的装饰器，并引入了 async 路由函数。

Flask 是在 2010 年发布的，它构建于 WSGI(Python Web Server Gateway Interface) 之上的，产品环境中运行需与 uWSGI, Gunicorn 搭配，或用 mod_wsgi 模块与 Apache 集成。因发布较早，所以目前应该有较多的使用者。Flask 20 需要 Python 36+ 的支持，如果支持 async , 需 Python 37+

FastAPI 发布于 2018 年，构建于 ASGI(Asynchronous Server Gateway Interface) 之上，在 IO 密集型的应用中有更优越的性能。生成环境中配合 ASGI 服务器，如 Uvicorn 或 Hypercorn FastAPI 最为亮丽的特性是集成了 Swagger UI -- 外加一个福利 ReDoc 。FastAPI 需 Python 36+ 版本。

毕竟是在开始学一个新的框架，还是从它的基本用法开始，途中会穿插与 Flask 的对比。

安装:

当前安装的 fastapi 版本为 0701, uvicorn 版本为 0160。开始第一个例子，摘自官方

创建一个 mainpy 文件，内容为

注：以上两个函数前面可以加上 async 关键字

启动服务，用命令

注： uvicorn --help 列出详细帮助，如启动多少个 worker, 绑定网络接口和端口号, 配置 SSL 证书等。

访问服务

另一个服务就是 >

以上就是关于如何部署简单python + flask应用全部的内容，包括:如何部署简单python + flask应用、使用pycharm运行flask应用程序、python中flask如何降低内存等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！