Request Body是从客户端发送到API端的数据内容。这里有两种方式来实现对Request Body的响应。

一、基于Pydantic数据模型

通过以下几个简单环节我们就可以完成对Request Body的处理。

1、导入Pydantic BaseModel

from pydantic import BaseModel

2、创建数据模型

声明需要的数据模型，并且继承自BaseModel。

class Item(BaseModel):
    name: str
    description: str = None
    price: float
    tax: float = None

模型属性均基于标准的Python类型。

注意，与请求参数类似，如果模型属性有缺省值，那么就意味着它不是必须的，如果缺省值是None，则意味着是可选的；否则，它就是必须的。

3、参数声明

我们用声明路径参数和请求参数同样的方式来声明Request Body参数。

from fastapi import FastAPI
from pydantic import BaseModel


class Item(BaseModel):
    name: str
    description: str = None
    price: float
    tax: float = None


app = FastAPI()


@app.post("/items/")
async def create_item(item: Item):
    return item

 

通过以上的几个环节，FastAPI就实现了以下功能：

(1)、从Request中解析出Body内容，并且输出格式为JSON。

(2)、如果需要，进行相应的数据类型转换。

(3)、校验数据，如果校验失败则返回详细错误信息。

(4)、通过声明的参数对象来接收最终数据内容。

4、使用数据模型

你可以直接访问数据模型的所有属性。

from fastapi import FastAPI
from pydantic import BaseModel


class Item(BaseModel):
    name: str
    description: str = None
    price: float
    tax: float = None


app = FastAPI()


@app.post("/items/")
async def create_item(item: Item):
    item_dict = item.dict()
    if item.tax:
        price_with_tax = item.price + item.tax
        item_dict.update({"price_with_tax": price_with_tax})
    return item_dict

5、Request Body参数、路径参数、请求参数

你可以同时声明Request Body参数、路径参数、请求参数这几种不同类型的参数。

FastAPI会自动识别不同类型的参数，并且赋予参数对象正确的数据内容。

from fastapi import FastAPI
from pydantic import BaseModel


class Item(BaseModel):
    name: str
    description: str = None
    price: float
    tax: float = None


app = FastAPI()


@app.put("/items/{item_id}")
async def create_item(item_id: int, item: Item, q: str = None):
    result = {"item_id": item_id, **item.dict()}
    if q:
        result.update({"q": q})
    return result

 

函数参数按照如下的顺序进行识别匹配：

(1)、如果这个参数已经在路径中被声明过，那么它就是一个路径参数。

(2)、如果这个参数的类型是单类型的(如str、float、int、bool等)，那么它就是一个请求参数。

(3)、如果这个参数的类型是Pydantic数据模型，那么它就被认为是Request Body参数。