Request- en responsemodellen

AI in productie brengen met FastAPI

Matt Eckerle

Software and Data Engineering Leader

Request- en response-structuren in API's

Request-structuur
  • Data die de client naar de API stuurt
  • Bevat meestal:
    • HTTP-methode (GET, POST, enz.)
    • Headers
    • Queryparameters
    • Request body

http://localhost:8000/users/? [email protected]

  • :8000: Het poortnummer. FastAPI gebruikt standaard 8000.
  • /users/: Het pad naar de specifieke endpoint die we benaderen.
  • ?: Marker voor het begin van de queryparameters.
  • `[email protected]`: De queryparameter. We geven hier een e-mailadres door aan de endpoint.
AI in productie brengen met FastAPI

Response-structuur

  • Data die de API terugstuurt naar de client
    • JSON-respons met gebruikersinformatie
  • Bevat meestal:
    • Statuscode (200 OK, 404 Not Found, enz.)
    • Headers
    • Response body (gevraagde data of resultaat van de bewerking)
HTTP/1.1 200 OK
date: Fri, 18 Oct 2024 12:34:56 GMT
server: uvicorn
content-length: 76
content-type: application/json

{
  "username": "johndoe",
  "email": "[email protected]",
  "age": 30
}
AI in productie brengen met FastAPI

Pydantic-model

  • Maken van User
  • Gebruik van Pydantic
from pydantic import BaseModel
class User(BaseModel):
    username: str
    email: str
    age: int
  • Erfdt van BaseModel
  • Definieert attributen met typeannotaties
  • Automatische validatie op basis van types
AI in productie brengen met FastAPI

Validatiefout

from pydantic import ValidationError
try:
    invalid_user = User(username="john_doe", email="[email protected]", 
                        age="thirty")
    print("Invalid User:", invalid_user)
except ValidationError as e:
    print("Validation Error:", e)
Validation Error: 1 validation error for User age
Input should be a valid integer, unable to parse string as an integer 
[type=int_parsing, input_value='thirty', input_type=str]
AI in productie brengen met FastAPI

Pydantic-modellen gebruiken in FastAPI

from fastapi import FastAPI
from pydantic import BaseModel
app = FastAPI()

class User(BaseModel): username: str email: str age: int
@app.post("/users", response_model=User)
async def create_user(user: User): return user
  • Model gebruikt als response_model
  • Model gebruikt als typehint voor parameter
  • Automatische requestvalidatie
  • De-/serialisatie van request/response
  • Genereer API-docs
AI in productie brengen met FastAPI

Request- en responseformaten

curl -X 'POST' \
  'http://localhost:8000/users/' \
  -H 'accept: application/json' \
  -H 'Content-Type: application/json' \
  -d '{
  "username": "john_doe",
  "email": "[email protected]",
  "age": 30
  }'

 

{
  "username": "john_doe",
  "email": "[email protected]",
  "age": 30
}
AI in productie brengen met FastAPI

Laten we oefenen!

AI in productie brengen met FastAPI

Preparing Video For Download...