构建基于 FastAPI 的三层架构:多服务协同处理复杂端点

构建基于 fastapi 的三层架构:多服务协同处理复杂端点

在 FastAPI 中实现三层架构,特别是处理需要多个服务协同的复杂端点时,如何有效地组织代码至关重要。本文将深入探讨两种方案,并提供选择合适方案的指导,以实现更好的可维护性和可扩展性。

三层架构概述

三层架构是一种常见的软件设计模式,它将应用程序分为三个逻辑层:

表示层(Presentation Layer): 负责用户交互,例如 FastAPI 中的端点定义。应用层(Application Layer): 处理业务逻辑,协调不同服务。数据层(Data Layer): 负责数据存储和访问,通常由各种服务提供。

在处理复杂端点时,我们需要仔细考虑如何在这些层之间分配职责,以确保代码的清晰性和可维护性。

方案一:应用层直接调用多个服务

这种方案将多个服务的调用逻辑放在应用层(即 FastAPI 端点定义处)。例如,对于 get_transaction 端点,应用层将直接调用 userService、productService 和 saleService 来获取所需的数据,然后将这些数据组合成 transactionDto 对象并返回。

示例代码:

from fastapi import FastAPI, Dependsfrom typing import Dictapp = FastAPI()# 假设的 Service 定义class UserService:    def get_user(self, user_id: int) -> Dict:        # 模拟数据库查询        return {"user_id": user_id, "name": "Example User"}class ProductService:    def get_product(self, product_id: int) -> Dict:        # 模拟数据库查询        return {"product_id": product_id, "name": "Example Product"}class SaleService:    def get_sale(self, sale_id: int) -> Dict:        # 模拟数据库查询        return {"sale_id": sale_id, "amount": 100}# 依赖注入def get_user_service():    return UserService()def get_product_service():    return ProductService()def get_sale_service():    return SaleService()# 端点定义@app.get("/transactions/{transaction_id}")async def get_transaction(    transaction_id: int,    user_service: UserService = Depends(get_user_service),    product_service: ProductService = Depends(get_product_service),    sale_service: SaleService = Depends(get_sale_service),):    user = user_service.get_user(1)    product = product_service.get_product(1)    sale = sale_service.get_sale(transaction_id)    transaction = {        "transaction_id": transaction_id,        "user": user,        "product": product,        "sale": sale,    }    return transaction

优点:

简单直接,易于理解和实现。避免了服务之间的循环依赖。

缺点:

应用层承担了过多的业务逻辑,可能导致代码臃肿。如果多个端点都需要相同的数据聚合逻辑,则会存在代码重复。

方案二:创建专门的聚合服务

这种方案创建一个专门的 transactionService 来聚合来自其他服务的数据。transactionService 将调用 userService、productService 和 saleService,并将它们的数据组合成 transaction 对象,然后将该对象返回给应用层。

示例代码:

from fastapi import FastAPI, Dependsfrom typing import Dictapp = FastAPI()# 假设的 Service 定义class UserService:    def get_user(self, user_id: int) -> Dict:        # 模拟数据库查询        return {"user_id": user_id, "name": "Example User"}class ProductService:    def get_product(self, product_id: int) -> Dict:        # 模拟数据库查询        return {"product_id": product_id, "name": "Example Product"}class SaleService:    def get_sale(self, sale_id: int) -> Dict:        # 模拟数据库查询        return {"sale_id": sale_id, "amount": 100}class TransactionService:    def __init__(self, user_service: UserService, product_service: ProductService, sale_service: SaleService):        self.user_service = user_service        self.product_service = product_service        self.sale_service = sale_service    def get_transaction(self, transaction_id: int) -> Dict:        user = self.user_service.get_user(1)        product = self.product_service.get_product(1)        sale = self.sale_service.get_sale(transaction_id)        transaction = {            "transaction_id": transaction_id,            "user": user,            "product": product,            "sale": sale,        }        return transaction# 依赖注入def get_user_service():    return UserService()def get_product_service():    return ProductService()def get_sale_service():    return SaleService()def get_transaction_service(    user_service: UserService = Depends(get_user_service),    product_service: ProductService = Depends(get_product_service),    sale_service: SaleService = Depends(get_sale_service),):    return TransactionService(user_service, product_service, sale_service)# 端点定义@app.get("/transactions/{transaction_id}")async def get_transaction(    transaction_id: int,    transaction_service: TransactionService = Depends(get_transaction_service),):    transaction = transaction_service.get_transaction(transaction_id)    return transaction

优点:

将数据聚合逻辑集中在一个地方,避免了代码重复。降低了应用层的复杂性,使其更专注于处理请求和响应。可以更容易地对数据聚合逻辑进行测试和维护。

缺点:

增加了服务的数量,可能增加部署和管理的复杂性。服务之间的调用可能导致性能瓶颈。

如何选择合适的方案

选择哪种方案取决于具体的应用场景和需求。以下是一些考虑因素:

数据聚合逻辑的复杂性: 如果数据聚合逻辑非常复杂,建议使用方案二,创建一个专门的聚合服务。代码重复: 如果多个端点都需要相同的数据聚合逻辑,建议使用方案二,以避免代码重复。性能: 如果服务之间的调用可能导致性能瓶颈,需要仔细评估方案二的性能影响。服务身份: 考虑服务是否有自己的存储和身份。如果服务有自己的存储和身份,那么它可能更适合作为一个独立的 RESTful 服务。如果没有,它可能更适合作为 BFF (Backend For Frontend) 或聚合服务。

总结:

两种方案都有其优缺点,选择哪种方案取决于具体的应用场景和需求。在选择方案时,需要仔细评估各种因素,并权衡其优缺点,以选择最适合的方案。重要的是保持代码的清晰性和可维护性,并确保应用程序的性能和可扩展性。

以上就是构建基于 FastAPI 的三层架构:多服务协同处理复杂端点的详细内容,更多请关注创想鸟其它相关文章!

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。
如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 chuangxiangniao@163.com 举报,一经查实,本站将立刻删除。
发布者:程序猿,转转请注明出处:https://www.chuangxiangniao.com/p/1369085.html

(0)
打赏 微信扫一扫 微信扫一扫 支付宝扫一扫 支付宝扫一扫
FastAPI三层架构中复杂业务端点的数据聚合策略
上一篇 2025年12月14日 09:20:56
在 FastAPI 中实现三层架构处理复杂 Endpoint:服务拆分策略
下一篇 2025年12月14日 09:21:13

相关推荐

  • 使用 Python QuickFIX 通过 Stunnel 建立安全连接

    本文档旨在指导开发者如何使用 Python QuickFIX 库通过 Stunnel 建立安全的 FIX 消息连接。我们将详细介绍 Stunnel 的配置,QuickFIX 应用程序的设置,以及如何调试可能出现的问题,确保 FIX 消息能够安全可靠地传输。本文档适用于需要在非安全网络中传输 FIX …

    2025年12月14日
    100
  • python scrapy模拟登录的方法

    答案:Scrapy模拟登录需分析登录流程,提取表单字段及隐藏参数如csrf_token,使用FormRequest.from_response提交登录信息,自动处理cookies和重定向;若存在动态token或验证码,则结合Playwright等工具模拟浏览器操作;登录后Scrapy通过Cookie…

    2025年12月14日
    100
  • 理解 Transformers 中的交叉熵损失与 Masked Label 问题

    本文旨在深入解析 Hugging Face Transformers 库中,针对 Decoder-Only 模型(如 GPT-2)计算交叉熵损失时,如何正确使用 labels 参数进行 Masked Label 的设置。通过具体示例和代码,详细解释了 target_ids 的构造方式,以及如何避免常…

    2025年12月14日
    100
  • 利用Tshark和PDML实现网络数据包十六进制字节到字段的映射

    本教程旨在解决将网络数据包十六进制字节与具体协议层级数据关联的难题。通过介绍使用tshark工具将Pcap文件转换为PDML(Packet Details Markup Language)格式,然后解析PDML文件,提取每个字段在数据包中的起始位置和长度信息,最终实现对任意十六进制字节所属协议层和字…

    2025年12月14日
    100
  • PySpark中多层嵌套Array Struct的扁平化处理技巧

    本文深入探讨了在PySpark中如何高效地将复杂的多层嵌套 array(struct(array(struct))) 结构扁平化为 array(struct)。通过结合使用Spark SQL的 transform 高阶函数和 flatten 函数,我们能够优雅地提取内层结构字段并与外层字段合并,最终…

    2025年12月14日
    100
  • 在IIS 10上部署FastAPI应用的完整教程

    本教程详细指导如何在Windows Server 2019的IIS 10环境中,利用HTTP Platform Handler部署Python FastAPI应用程序。内容涵盖Python、HTTP Platform Handler的安装,FastAPI应用及Uvicorn配置,IIS应用池创建与权…

    2025年12月14日
    100
  • Python 模块导入与文档字符串消失问题详解

    本文旨在解释 Python 中模块导入后文档字符串变为 None 的现象。我们将深入探讨 Python 的导入机制和 PEP 8 规范,分析为什么在导入语句后定义的文档字符串无法被正确识别,并提供避免此问题的最佳实践。 在 Python 中,文档字符串(docstring)是用于为模块、类、函数或方…

    2025年12月14日
    100
  • Python 模块导入与 Docstring 丢失问题解析

    本文旨在解释并解决 Python 中模块导入后可能导致文件 Docstring 变为 None 的问题。通过分析代码示例和参考 PEP 8 规范,我们将深入探讨模块导入位置对 Docstring 的影响,并提供正确的模块导入实践,确保 Docstring 的正确保留。 在 Python 编程中,Do…

    2025年12月14日
    100
  • 在Flask-SQLAlchemy中生成唯一6位ID的策略与实践

    本教程探讨在Flask-SQLAlchemy中为模型生成唯一6位ID的最佳实践。文章分析了UUID截断方法的局限性,推荐使用Python的secrets模块生成加密安全的随机字符串,并详细讨论了短ID的碰撞风险及应对策略,旨在提供一套高效、可靠的ID生成方案。 引言:在Web应用中管理唯一标识符 在…

    2025年12月14日
    200
  • Python导入模块时避免顶层代码意外执行的技巧

    本文探讨了在Python中导入包含顶层执行代码且不可修改的模块时,如何避免其在导入阶段意外运行。针对无法修改源模块的限制,文章提出了一种通过临时重写内置print函数来抑制不必要输出的实用技巧,并提供了详细的代码示例及注意事项,以帮助开发者在特定场景下有效管理模块导入行为。 理解Python模块导入…

    2025年12月14日
    100
  • 在Anaconda指定环境中正确安装Jupyter Notebook的教程

    本教程旨在解决Jupyter Notebook在Anaconda中默认安装到基础环境的问题。核心在于,用户必须先通过conda activate命令激活目标虚拟环境,然后才能在该环境中执行pip install jupyter等安装命令,确保所有软件包均正确地隔离并安装到期望的环境中,从而避免环境污…

    2025年12月14日
    000
  • 使用 SQLAlchemy 进行多列选择时保持对象定义

    在使用 SQLAlchemy 进行数据库查询时,我们经常需要选择多个表中的列,并希望能够方便地访问这些列对应的数据对象。然而,直接使用 session.execute(stmt).all() 方法可能会返回 Sequence[Row[Tuple[Item, Package]]] 这样的类型,导致在后…

    2025年12月14日
    200
  • SQLAlchemy 多列查询结果的对象定义保持

    本文介绍了在使用 SQLAlchemy 进行多表联合查询时,如何保持查询结果中每个对象的类型定义,避免类型推断为 Any。通过使用 .tuples() 方法,可以将查询结果转换为元组序列,从而方便地解包并直接使用对象,无需额外定义变量类型。 在使用 SQLAlchemy 进行数据库查询时,经常会遇到…

    2025年12月14日
    000
  • python中的插入排序怎么用?

    插入排序通过构建有序序列,将未排序元素插入已排序部分的合适位置。从第二个元素开始,依次取出待插入元素,在已排序部分从后向前比较并后移大于它的元素,找到位置后插入。Python实现无需外部库,代码简洁:定义函数insertion_sort,遍历数组,使用while循环向左比较并移动元素,最后插入正确位…

    2025年12月14日
    100
  • 解决 Couchbase Python SDK 连接超时问题

    本文旨在帮助开发者解决在使用 Couchbase Python SDK 连接 Couchbase 集群时遇到的 `UnAmbiguousTimeoutException` 异常。通过介绍 SDK Doctor 工具的使用,诊断网络连接问题,并提供相应的排查思路,帮助开发者快速定位并解决连接超时问题,…

    2025年12月14日
    000
  • Pandas DataFrame:基于日期范围条件批量更新列值

    本教程详细介绍了如何在Pandas DataFrame中,根据指定日期范围高效地批量更新某一列的值。文章将通过示例,演示如何结合使用pandas.Series.between()函数与numpy.where()或布尔索引(.loc)两种方法,实现对数据进行精确的条件性修改,并提供了重要注意事项。 在…

    2025年12月14日
    000
  • 使用 SQLAlchemy 进行多列查询时保持对象定义

    本文旨在解决在使用 SQLAlchemy 进行多列查询时,如何保持查询结果中对象的类型信息,避免类型丢失,并提供一种更简洁的方式来处理查询结果,无需手动创建新变量进行类型声明。通过使用 .tuples() 方法,可以直接获取包含对象元组的序列,从而方便地进行解包和使用。 在使用 SQLAlchemy…

    2025年12月14日
    100
  • 优化Python中稀疏向量对欧氏距离计算的性能

    本文探讨了在Python中高效计算两组向量间稀疏欧氏距离的策略。针对传统方法中计算大量不必要距离的性能瓶颈,我们提出并实现了一种结合Numba加速和SciPy稀疏矩阵(CSR格式)的解决方案。该方法通过显式循环和条件判断,仅计算所需距离,并直接构建稀疏矩阵,显著提升了计算速度和内存效率,特别适用于大…

    2025年12月14日
    000
  • Kivy项目APK导出错误:pyjnius编译失败问题解析与解决方案

    本文旨在解决Kivy应用使用Buildozer打包APK时遇到的pyjnius编译错误,特别是涉及Py_REFCNT不可赋值的C语言编译问题。文章将详细分析错误日志,并提供包括修正命令拼写、优化buildozer.spec配置以及清理构建环境等专业解决方案,帮助开发者顺利完成Kivy应用的Andro…

    2025年12月14日
    000
  • python poetry如何安装依赖

    使用Poetry可轻松管理Python依赖。1. 运行poetry install安装pyproject.toml中所有依赖,确保环境一致;2. 用poetry add包名添加生产依赖,加–group dev安装开发依赖;3. 部署时用poetry install –only…

    2025年12月14日
    000

发表回复

登录后才能评论
关注微信