企业官网建设流程全解析

数据锲约层：请求数据的解析/校验，响应数据的序列化/过滤，以及生成OpenAPI的文档，

一 序列化

序列化的本质解决三个问题：内存对象->可传输字节（网络）、可存储字节（磁盘/缓存）、跨语言交换（系统边界），不同场景对‘体积/速度/可读性/兼容性’的权重完全不同。

对比如浏览器/移动端/第三方的数据交互选择—json标准库，

API性能敏感：无损替换，FastAPI原生支持，

redis缓存值：msgpack（省内存），orjson（可调试），

微服务RPC：高性能—pickle（仅限可信数据），

大数据管道：avroparquet—（带schema演进），

二 FastAPI场景

官方推荐使用FastAPI+pydantic的场景，Pydantic会将数据序列直接转换成JSON，Pydantic底层是由Rust写的，因此很快。

FastAPI会自动读取请求体，校验字段类型，将字段转换为Item实例，在实际的开发中使用的场景主要有：

请求体解析与校验：这是最常用的场景，用Pydantic声明请求体结构，FastAPI自动完成JSON解析、类型转换和校验，

from fastapi import FastAPI from pydantic import BaseModel, Field app = FastAPI() class Item(BaseModel): name: str = Field(..., min_length=1, max_length=100) price: float = Field(..., gt=0, description="价格必须大于0") tax: float | None = None @app.post("/items/") async def create_item(item: Item): total = item.price + (item.tax or 0) return {"name": item.name, "total": total}

响应模型与数据脱敏：用response_model声明输出结构，FastAPI会校验返回值并过滤未声明的字段

from fastapi import FastAPI from pydantic import BaseModel, EmailStr app = FastAPI() class UserBase(BaseModel): username: str email: EmailStr full_name: str | None = None class UserIn(UserBase): password: str class UserOut(UserBase): pass class UserInDB(UserBase): hashed_password: str def fake_password_hasher(raw: str) -> str: return "supersecret" + raw def fake_save_user(user_in: UserIn) -> UserInDB: hashed = fake_password_hasher(user_in.password) return UserInDB(**user_in.model_dump(), hashed_password=hashed) @app.post("/user/", response_model=UserOut) async def create_user(user_in: UserIn): return fake_save_user(user_in)

嵌套模型与列表：Pydantic支持任意深度的模型，FastAPI会自动校验外层或内层所有字段，在实际的开发中，很多业务场景给前端返回的数据是聚合的，前端送上来的业务数据也是复合的，此时需要一个数据model嵌套另一个数据model，这个很常用！

from fastapi import FastAPI from pydantic import BaseModel, EmailStr app = FastAPI() class Address(BaseModel): street: str city: str zip_code: str class Tag(BaseModel): name: str value: str class User(BaseModel): username: str email: EmailStr address: Address tags: list[Tag] = [] @app.post("/users/") async def create_user(user: User): return user

以及一些其它常用的场景：自定义验证器、ORM模式与数据库集成、依赖注入与Pydantic模型、配置管理—PydanticSettings

三 FastAPI序列化提速

FastAPI已经内置了对orjson的支持，可以通过两种方式启动：全局启动、指定路径启动

#全局启动 from fastapi import FastAPI from fastapi.responses import ORJSONResponse app = FastAPI(default_response_class=ORJSONResponse) @app.get("/items/") async def read_items(): return [{"item_id": "Foo", "value": 42}]

#在装饰器中声明指定路径下，使用orjson from fastapi import FastAPI from fastapi.responses import ORJSONResponse app = FastAPI() @app.get("/items/", response_class=ORJSONResponse) async def read_items(): return [{"item_id": "Foo", "value": 42}]

四 一些优化思路

小结—按照ROI从高到低顺序优化，依次为：

字段裁剪，

消除n+1，

不要阻塞loop(提高并发能力)，

orjson序列化能提高很多（上面有说FastAPI的使用），

数据传输切分后使用stream流，

gzip带宽降下来（有一点点提升，减小cpu用量）