当前位置:首页 > 文章列表 > 文章 > 前端 > WSGI返回JSON数据的正确方式

WSGI返回JSON数据的正确方式

2025-09-21 14:03:38 0浏览 收藏

一分耕耘,一分收获!既然都打开这篇《WSGI 返回纯 JSON 数据的正确方法》,就坚持看下去,学下去吧!本文主要会给大家讲到等等知识点,如果大家对本文有好的建议或者看到有不足之处,非常欢迎大家积极提出!在后续文章我会继续更新文章相关的内容,希望对大家都有所帮助!

如何在 WSGI 响应中封装纯 JSON 内容

本文旨在指导开发者如何在 Django WSGI 环境中正确地封装和返回 JSON 内容,特别是当需要返回 JSONP 格式时。我们将探讨如何使用 JsonResponse 对象处理简单的 JSON 响应,以及如何手动构建 JSONP 响应以满足特定需求。通过示例代码和详细解释,帮助你避免常见的 AttributeError 错误,并确保你的 Django 应用能够正确地与前端进行数据交互。

在 Django Web 服务框架中,处理 HTTP 请求并返回 JSON 格式的数据是常见的任务。本文将详细介绍如何在 views.py 文件中编写函数,以正确地封装 JSON 数据并将其作为 WSGI 响应返回。我们将讨论两种主要情况:返回标准的 JSON 响应和返回 JSONP 响应。

返回标准 JSON 响应

当你的前端应用直接通过 AJAX 请求与 Django 后端交互时,通常可以使用标准的 JSON 响应。Django 提供了 JsonResponse 类,可以方便地将 Python 字典转换为 JSON 格式,并将其封装在 HTTP 响应中。

以下是一个示例:

from django.http import JsonResponse

def my_request(request):
    # 获取 URL 查询字符串参数
    selections = request.GET  # 这会将查询字符串参数作为字典获取

    # 使用查询字符串参数作为生成响应的函数的参数
    res = {"answer1": "value1", "answer2": "value2"}  # Python 字典形式的响应

    # 将字典转换为 JSON 并返回
    return JsonResponse(res)

在这个例子中,request.GET 用于获取 URL 中的查询字符串参数,例如 /my_request?key1=value1&key2=value2&key3=value3。然后,我们创建一个 Python 字典 res,其中包含要返回的数据。最后,JsonResponse(res) 将这个字典转换为 JSON 格式,并将其封装在 HTTP 响应中。Django 会自动设置正确的 Content-Type 头部,确保客户端正确解析 JSON 数据。

返回 JSONP 响应

JSONP(JSON with Padding)是一种绕过跨域请求限制的技术。它通过将 JSON 数据包裹在一个回调函数中来实现跨域数据传输。如果你的前端应用需要从不同的域请求数据,并且你无法使用 CORS(跨域资源共享)或其他跨域解决方案,那么 JSONP 可能是一个可行的选择。

然而,Django 的 JsonResponse 类并不直接支持 JSONP。你需要手动构建 JSONP 响应。以下是一个示例:

def my_request(request):
    # 获取 URL 查询字符串参数
    selections = request.GET

    # 使用查询字符串参数作为生成响应的函数的参数
    res = {"answer1": "value1", "answer2": "value2"}  # Python 字典形式的响应

    # 构建 JSONP 响应
    callback = request.GET.get('callback')  # 获取回调函数名
    if callback:
        json_str = json.dumps(res)  # 将字典转换为 JSON 字符串
        response_str = f'{callback}({json_str})'  # 构建 JSONP 字符串
        return HttpResponse(response_str, content_type='application/javascript')
    else:
        # 如果没有提供回调函数,则返回标准的 JSON 响应
        return JsonResponse(res)

在这个例子中,我们首先获取名为 callback 的查询字符串参数,该参数指定了前端定义的回调函数名。然后,我们使用 json.dumps() 函数将 Python 字典转换为 JSON 字符串。接下来,我们将 JSON 字符串包裹在回调函数中,构建 JSONP 字符串。最后,我们使用 HttpResponse 类创建一个 HTTP 响应,并将 JSONP 字符串作为响应内容返回。重要的是要设置 content_type 为 application/javascript,以确保客户端将响应视为 JavaScript 代码执行。

注意事项:

  • 安全性: JSONP 存在安全风险,因为它允许来自任何域的脚本执行。因此,只应在信任的域之间使用 JSONP,并始终对返回的数据进行验证,以防止 XSS(跨站脚本攻击)漏洞。
  • CORS 优先: 如果可能,优先使用 CORS 而不是 JSONP。CORS 提供了更安全和更灵活的跨域请求解决方案。
  • 错误处理: 在实际应用中,你应该添加错误处理机制,以处理回调函数缺失或无效的情况。

总结

本文介绍了如何在 Django WSGI 环境中封装和返回 JSON 和 JSONP 格式的数据。JsonResponse 类可以方便地处理标准的 JSON 响应,而手动构建 JSONP 响应则需要更多的代码和注意事项。在选择使用 JSONP 时,请务必考虑其安全风险,并尽可能使用 CORS 作为替代方案。通过理解这些概念和示例代码,你将能够更好地处理 Django 应用中的数据交互需求。

今天关于《WSGI返回JSON数据的正确方式》的内容介绍就到此结束,如果有什么疑问或者建议,可以在golang学习网公众号下多多回复交流;文中若有不正之处,也希望回复留言以告知!

GoogleAI视频生文对接第三方应用教程GoogleAI视频生文对接第三方应用教程
上一篇
GoogleAI视频生文对接第三方应用教程
Excel+Python预测分析教程详解
下一篇
Excel+Python预测分析教程详解
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。
    483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。
    540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。
    563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。
    514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。
    332次使用