当前位置:首页 > 文章列表 > 文章 > python教程 > FastAPI中如何自定义Swagger响应的媒体类型?

FastAPI中如何自定义Swagger响应的媒体类型?

2024-11-24 19:07:01 0浏览 收藏

今日不肯埋头,明日何以抬头!每日一句努力自己的话哈哈~哈喽,今天我将给大家带来一篇《FastAPI中如何自定义Swagger响应的媒体类型? 》,主要内容是讲解等等,感兴趣的朋友可以收藏或者有更好的建议在评论提出,我都会认真看的!大家一起进步,一起学习!

FastAPI中如何自定义Swagger响应的媒体类型?

fastapi 设置 swagger response 的 media_type

在使用 fastapi 框架开发 restful api 时,我们需要根据接口的响应内容设置适当的媒体类型(media_type),以便客户端能够正确解析和处理响应。对于返回图像流的接口,需要将 media_type 设置为 "image/jpg" 或相应的图像类型,以告知客户端返回的内容类型。

然而,对于使用默认响应类的接口(如返回 json 的接口),fastapi 会自动在响应头中设置 "content-type",无需显式声明 media_type。

不过,对于返回自定义响应类的接口,我们可以使用 "media_type" 属性来指定响应的媒体类型。例如,以下代码演示了如何设置自定义响应类的媒体类型为 "image/jpeg":

from fastapi import FastAPI
from fastapi.responses import StreamingResponse

app = FastAPI()

class MyCustomResponse(StreamingResponse):
    media_type = "image/jpeg"

@app.get("/img", response_class=MyCustomResponse)
def image():
    def iterfile():
        with open("./image.jpg", mode="rb") as file_like:
            yield from file_like

    return MyCustomResponse(iterfile())

上述代码中,"mycustomresponse" 类继承自 fastapi 提供的 "streamingresponse" 类,并重写了 "media_type" 属性,将其设置为 "image/jpeg"。通过将 "mycustomresponse" 作为 "image" 接口的 "response_class",可以确保返回的图像流响应带有正确的媒体类型。

通过这种方式,我们可以自定义 swagger response 的 media_type,确保客户端能够准确地处理返回的各种响应类型的 api 接口。

今天带大家了解了的相关知识,希望对你有所帮助;关于文章的技术知识我们会一点点深入介绍,欢迎大家关注golang学习网公众号,一起学习编程~

Python Excel 处理库该如何选?Python Excel 处理库该如何选?
上一篇
Python Excel 处理库该如何选?
了解 JavaScript 中的“switch”语句
下一篇
了解 JavaScript 中的“switch”语句
查看更多
最新文章
查看更多
课程推荐
  • 前端进阶之JavaScript设计模式
    前端进阶之JavaScript设计模式
    设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
    543次学习
  • GO语言核心编程课程
    GO语言核心编程课程
    本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
    516次学习
  • 简单聊聊mysql8与网络通信
    简单聊聊mysql8与网络通信
    如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
    500次学习
  • JavaScript正则表达式基础与实战
    JavaScript正则表达式基础与实战
    在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
    487次学习
  • 从零制作响应式网站—Grid布局
    从零制作响应式网站—Grid布局
    本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
    485次学习
查看更多
AI推荐
  • PubMedQA数据集详解:生物医学问答基准、功能与应用指南
    PubMedQA
    深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
    284次使用
  • H2O EvalGPT:开源LLM大模型评估与排行榜工具
    H2O EvalGPT
    H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
    339次使用
  • LMArena是什么?伯克利AI模型评估平台使用指南与功能解析
    LMArena
    LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
    336次使用
  • 斯坦福HELM:大语言模型Holistic Evaluation整体评估框架详解
    HELM
    深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
    303次使用
  • MMBench详解:多模态大模型基准测试、功能特点与使用指南
    MMBench
    MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
    124次使用