Sie können den Typ der Response deklarieren, indem Sie den Rückgabetyp der Pfadoperation annotieren.
Hierbei können Sie Typ-Annotationen genauso verwenden, wie Sie es bei Werten von Funktions-Parametern machen; verwenden Sie Pydantic-Modelle, Listen, Dicts und skalare Werte wie Nummern, Booleans, usw.
=== "Python 3.10+"
```Python hl_lines="16 21"
{!> ../../../docs_src/response_model/tutorial001_01_py310.py!}
```
=== "Python 3.9+"
```Python hl_lines="18 23"
{!> ../../../docs_src/response_model/tutorial001_01_py39.py!}
```
=== "Python 3.6+"
```Python hl_lines="18 23"
{!> ../../../docs_src/response_model/tutorial001_01.py!}
```
FastAPI wird diesen Rückgabetyp verwenden, um:
- Die zurückzugebenden Daten zu validieren.
- Wenn die Daten ungültig sind (Sie haben z.B. ein Feld vergessen), bedeutet das, Ihr Anwendungscode ist fehlerhaft, er gibt nicht zurück, was er sollte, und daher wird ein Server-Error ausgegeben, statt falscher Daten. So können Sie und ihre Clients sicher sein, dass diese die erwarteten Daten, in der richtigen Form erhalten.
- In der OpenAPI Pfadoperation ein JSON-Schema für die Antwort hinzuzufügen.
- Dieses wird von der automatischen Dokumentation verwendet.
- Es wird auch von automatisch Client-Code-generierenden Tools verwendet.
Aber am wichtigsten:
- Es wird die Ausgabedaten auf das limitieren und filtern, was im Rückgabetyp definiert ist.
- Das ist insbesondere für die Sicherheit wichtig, mehr dazu unten.
Es gibt Fälle, da möchten oder müssen Sie Daten zurückgeben, die nicht genau dem entsprechen, was der Typ deklariert.
Zum Beispiel könnten Sie ein Dict zurückgeben wollen, oder ein Datenbank-Objekt, aber es als Pydantic-Modell deklarieren. Auf diese Weise übernimmt das Pydantic-Modell alle Daten-Dokumentation, -Validierung, usw. für das Objekt, welches Sie zurückgeben (z.B. ein Dict oder ein Datenbank-Objekt).
Würden Sie eine hierfür eine Rückgabetyp-Annotation verwenden, dann würden Tools und Editoren (korrekterweise) Fehler ausgeben, die Ihnen sagen, dass Ihre Funktion einen Typ zurückgibt (z.B. ein Dict), der sich unterscheidet von dem, was Sie deklariert haben (z.B. ein Pydantic-Modell).
In solchen Fällen können Sie statt des Rückgabetyps den Pfadoperation-Dekorator-Parameter response_model
verwenden.
Sie können response_model
in jeder möglichen Pfadoperation verwenden:
@app.get()
@app.post()
@app.put()
@app.delete()
- usw.
=== "Python 3.10+"
```Python hl_lines="17 22 24-27"
{!> ../../../docs_src/response_model/tutorial001_py310.py!}
```
=== "Python 3.9+"
```Python hl_lines="17 22 24-27"
{!> ../../../docs_src/response_model/tutorial001_py39.py!}
```
=== "Python 3.6+"
```Python hl_lines="17 22 24-27"
{!> ../../../docs_src/response_model/tutorial001.py!}
```
!!! note "Hinweis"
Beachten Sie, dass response_model
ein Parameter der "Dekorator"-Methode ist (get
, post
, usw.). Nicht der Pfadoperation-Funktion, so wie die anderen Parameter.
response_model
nimmt denselben Typ entgegen, den Sie auch für ein Pydantic-Modell-Feld deklarieren würden, also etwa ein Pydantic-Modell, aber es kann auch z.B. eine list
e von Pydantic-Modellen sein, wie etwa List[Item]
.
FastAPI wird dieses response_model
nehmen, um die Daten zu dokumentieren, validieren, usw. und auch, um die Ausgabedaten entsprechend der Typ-Deklaration zu konvertieren und filtern.
!!! tip
Wenn Sie in Ihrem Editor strikte Typ-Checks haben, mypy, usw., können Sie den Funktions-Rückgabetyp als Any
deklarieren.
So sagen Sie dem Editor, dass Sie absichtlich *irgendetwas* zurückgeben. Aber FastAPI wird trotzdem die Dokumentation, Validierung, Filterung, usw. der Daten übernehmen, via `response_model`.
Wenn sowohl Rückgabetyp als auch response_model
deklariert sind, hat response_model
die Priorität und wird von FastAPI bevorzugt verwendet.
So können Sie korrekte Typ-Annotationen zu ihrer Funktion hinzufügen, die von ihrem Editor und Tools wie mypy verwendet werden. Und dennoch übernimmt FastAPI die Validierung und Dokumentation, usw., der Daten anhand von response_model
.
Sie können auch response_model=None
verwenden, um das Erstellen eines Response-Modells für diese Pfadoperation zu unterbinden. Sie könnten das tun wollen, wenn sie Dinge annotieren, die nicht gültige Pydantic-Felder sind. Ein Beispiel dazu werden Sie in einer der Sektionen unten sehen.
Im Folgenden deklarieren wir ein UserIn
-Modell; es enthält ein Klartext-Passwort:
=== "Python 3.10+"
```Python hl_lines="7 9"
{!> ../../../docs_src/response_model/tutorial002_py310.py!}
```
=== "Python 3.6+"
```Python hl_lines="9 11"
{!> ../../../docs_src/response_model/tutorial002.py!}
```
!!! info
Um EmailStr
zu verwenden, installieren Sie zuerst email_validator
.
Z.B. `pip install email-validator`
oder `pip install pydantic[email]`.
Wir verwenden dieses Modell, um sowohl unsere Eingabe- als auch Ausgabedaten zu deklarieren:
=== "Python 3.10+"
```Python hl_lines="16"
{!> ../../../docs_src/response_model/tutorial002_py310.py!}
```
=== "Python 3.6+"
```Python hl_lines="18"
{!> ../../../docs_src/response_model/tutorial002.py!}
```
Immer wenn jetzt ein Browser einen Nutzer mit Passwort erzeugt, gibt die API dasselbe Passwort in der Response zurück.
Hier ist das möglicherweise kein Problem, da es derselbe Nutzer ist, der das Passwort sendet.
Aber wenn wir dasselbe Modell für eine andere Pfadoperation verwenden, könnten wir das Passwort dieses Nutzers zu jedem Client schicken.
!!! danger "Gefahr" Speichern Sie niemals das Klartext-Passwort eines Benutzers, oder versenden Sie es in einer Response wie dieser, wenn Sie sich nicht der resultierenden Gefahren bewusst sind und nicht wissen, was Sie tun.
Wir können stattdessen ein Eingabe-Modell mit dem Klartext-Passwort, und ein Ausgabe-Modell ohne das Passwort erstellen:
=== "Python 3.10+"
```Python hl_lines="9 11 16"
{!> ../../../docs_src/response_model/tutorial003_py310.py!}
```
=== "Python 3.6+"
```Python hl_lines="9 11 16"
{!> ../../../docs_src/response_model/tutorial003.py!}
```
Obwohl unsere Pfadoperation-Funktion hier denselben user
von der Eingabe zurückgibt, der das Passwort enthält:
=== "Python 3.10+"
```Python hl_lines="24"
{!> ../../../docs_src/response_model/tutorial003_py310.py!}
```
=== "Python 3.6+"
```Python hl_lines="24"
{!> ../../../docs_src/response_model/tutorial003.py!}
```
... haben wir deklariert, dass response_model
das Modell UserOut
ist, welches das Passwort nicht enthält:
=== "Python 3.10+"
```Python hl_lines="22"
{!> ../../../docs_src/response_model/tutorial003_py310.py!}
```
=== "Python 3.6+"
```Python hl_lines="22"
{!> ../../../docs_src/response_model/tutorial003.py!}
```
Darum wird FastAPI sich darum kümmern, dass alle Daten, die nicht im Ausgabe-Modell deklariert sind, herausgefiltert werden (mittels Pydantic).
Da unsere zwei Modelle in diesem Fall unterschiedlich sind, würde, wenn wir den Rückgabewert der Funktion als UserOut
deklarieren, der Editor sich beschweren, dass wir einen ungültigen Typ zurückgeben, weil das unterschiedliche Klassen sind.
Darum müssen wir es in diesem Fall im response_model
-Parameter deklarieren.
... aber lesen Sie weiter, um zu sehen, wie man das anders lösen kann.
Führen wir unser vorheriges Beispiel fort. Wir wollten die Funktion mit einem Typ annotieren, aber etwas zurückgeben, das weniger Daten enthält.
Wir möchten auch, dass FastAPI die Daten weiterhin, dem Response-Modell entsprechend, filtert.
Im vorherigen Beispiel mussten wir den response_model
-Parameter verwenden, weil die Klassen unterschiedlich waren. Das bedeutet aber auch, wir bekommen keine Unterstützung vom Editor und anderen Tools, die den Funktions-Rückgabewert überprüfen.
Aber in den meisten Fällen, wenn wir so etwas machen, wollen wir nur, dass das Modell einige der Daten filtert/entfernt, so wie in diesem Beispiel.
Und in solchen Fällen können wir Klassen und Vererbung verwenden, um Vorteil aus den Typ-Annotationen in der Funktion zu ziehen, was vom Editor und von Tools besser unterstützt wird, während wir gleichzeitig FastAPIs Datenfilterung behalten.
=== "Python 3.10+"
```Python hl_lines="7-10 13-14 18"
{!> ../../../docs_src/response_model/tutorial003_01_py310.py!}
```
=== "Python 3.6+"
```Python hl_lines="9-13 15-16 20"
{!> ../../../docs_src/response_model/tutorial003_01.py!}
```
Damit erhalten wir Tool-Unterstützung, vom Editor und mypy, da dieser Code hinsichtlich der Typen korrekt ist, aber wir erhalten auch die Datenfilterung von FastAPI.
Wie funktioniert das? Schauen wir uns das mal an. 🤓
Sehen wir uns zunächst an, wie Editor, mypy und andere Tools dies sehen würden.
BaseUser
verfügt über die Basis-Felder. Dann erbt UserIn
von BaseUser
und fügt das Feld Passwort
hinzu, sodass dass es nun alle Felder beider Modelle hat.
Wir annotieren den Funktionsrückgabetyp als BaseUser
, geben aber tatsächlich eine UserIn
-Instanz zurück.
Für den Editor, mypy und andere Tools ist das kein Problem, da UserIn
eine Kindklasse von BaseUser
ist (Salopp: UserIn
ist ein BaseUser
). Es handelt sich um einen gültigen Typ, solange irgendetwas überreicht wird, das ein BaseUser
ist.
FastAPI seinerseits wird den Rückgabetyp sehen und sicherstellen, dass das, was zurückgegeben wird, nur diejenigen Felder enthält, welche im Typ deklariert sind.
FastAPI macht intern mehrere Dinge mit Pydantic, um sicherzustellen, dass obige Ähnlichkeitsregeln der Klassenvererbung nicht auf die Filterung der zurückgegebenen Daten angewendet werden, sonst könnten Sie am Ende mehr Daten zurückgeben als gewollt.
Auf diese Weise erhalten Sie das beste beider Welten: Sowohl Typ-Annotationen mit Tool-Unterstützung als auch Datenfilterung.
Wenn Sie sich die automatische Dokumentation betrachten, können Sie sehen, dass Eingabe- und Ausgabe-Modell beide ihr eigenes JSON Schema haben:
Und beide Modelle werden auch in der interaktiven API-Dokumentation verwendet:
Es kann Fälle geben, bei denen Sie etwas zurückgeben, das kein gültiges Pydantic-Feld ist, und Sie annotieren es in der Funktion nur, um Unterstützung von Tools zu erhalten (Editor, mypy, usw.).
Der häufigste Anwendungsfall ist, wenn Sie eine Response direkt zurückgeben, wie es später in der fortgeschrittenen Dokumentation erläutert wird{.internal-link target=_blank}.
{!> ../../../docs_src/response_model/tutorial003_02.py!}
Dieser einfache Anwendungsfall wird automatisch von FastAPI gehandhabt, weil die Annotation des Rückgabetyps die Klasse (oder eine Kindklasse von) Response
ist.
Und Tools werden auch glücklich sein, weil sowohl RedirectResponse
als auch JSONResponse
Kindklassen von Response
sind, die Typ-Annotation ist daher korrekt.
Sie können auch eine Kindklasse von Response
in der Typ-Annotation verwenden.
{!> ../../../docs_src/response_model/tutorial003_03.py!}
Das wird ebenfalls funktionieren, weil RedirectResponse
eine Kindklasse von Response
ist, und FastAPI sich um diesen einfachen Anwendungsfall automatisch kümmert.
Aber wenn Sie ein beliebiges anderes Objekt zurückgeben, das kein gültiger Pydantic-Typ ist (z.B. ein Datenbank-Objekt), und Sie annotieren es so in der Funktion, wird FastAPI versuchen, ein Pydantic-Response-Modell von dieser Typ-Annotation zu erstellen, und scheitern.
Dasselbe wird passieren, wenn Sie eine Union mehrerer Typen haben, und einer oder mehrere sind nicht gültige Pydantic-Typen. Zum Beispiel funktioniert folgendes nicht 💥:
=== "Python 3.10+"
```Python hl_lines="8"
{!> ../../../docs_src/response_model/tutorial003_04_py310.py!}
```
=== "Python 3.6+"
```Python hl_lines="10"
{!> ../../../docs_src/response_model/tutorial003_04.py!}
```
... das scheitert, da die Typ-Annotation kein Pydantic-Typ ist, und auch keine einzelne Response
-Klasse, oder -Kindklasse, es ist eine Union (eines von beiden) von Response
und dict
.
Beim Beispiel oben fortsetzend, mögen Sie vielleicht die standardmäßige Daten-Validierung, -Dokumentation, -Filterung, usw., die von FastAPI durchgeführt wird, nicht haben.
Aber Sie möchten dennoch den Rückgabetyp in der Funktion annotieren, um Unterstützung von Editoren und Typ-Checkern (z.B. mypy) zu erhalten.
In diesem Fall können Sie die Generierung des Response-Modells abschalten, indem Sie response_model=None
setzen:
=== "Python 3.10+"
```Python hl_lines="7"
{!> ../../../docs_src/response_model/tutorial003_05_py310.py!}
```
=== "Python 3.6+"
```Python hl_lines="9"
{!> ../../../docs_src/response_model/tutorial003_05.py!}
```
Das bewirkt, dass FastAPI die Generierung des Response-Modells unterlässt, und damit können Sie jede gewünschte Rückgabetyp-Annotation haben, ohne dass es Ihre FastAPI-Anwendung beeinflusst. 🤓
Ihr Response-Modell könnte Defaultwerte haben, wie:
=== "Python 3.10+"
```Python hl_lines="9 11-12"
{!> ../../../docs_src/response_model/tutorial004_py310.py!}
```
=== "Python 3.9+"
```Python hl_lines="11 13-14"
{!> ../../../docs_src/response_model/tutorial004_py39.py!}
```
=== "Python 3.6+"
```Python hl_lines="11 13-14"
{!> ../../../docs_src/response_model/tutorial004.py!}
```
description: Union[str, None] = None
(oderstr | None = None
in Python 3.10) hat einen DefaultwertNone
.tax: float = 10.5
hat einen Defaultwert10.5
.tags: List[str] = []
hat eine leere Liste als Defaultwert:[]
.
Aber Sie möchten diese vielleicht vom Resultat ausschließen, wenn Sie gar nicht gesetzt wurden.
Wenn Sie zum Beispiel Modelle mit vielen optionalen Attributen in einer NoSQL-Datenbank haben, und Sie möchten nicht ellenlange JSON-Antworten voller Defaultwerte senden.
Sie können den Pfadoperation-Dekorator-Parameter response_model_exclude_unset=True
setzen:
=== "Python 3.10+"
```Python hl_lines="22"
{!> ../../../docs_src/response_model/tutorial004_py310.py!}
```
=== "Python 3.9+"
```Python hl_lines="24"
{!> ../../../docs_src/response_model/tutorial004_py39.py!}
```
=== "Python 3.6+"
```Python hl_lines="24"
{!> ../../../docs_src/response_model/tutorial004.py!}
```
Die Defaultwerte werden dann nicht in der Response enthalten sein, sondern nur die tatsächlich gesetzten Werte.
Wenn Sie also den Artikel mit der ID foo
bei der Pfadoperation anfragen, wird (ohne die Defaultwerte) die Antwort sein:
{
"name": "Foo",
"price": 50.2
}
!!! info
FastAPI verwendet .dict()
von Pydantic Modellen, mit dessen exclude_unset
-Parameter, um das zu erreichen.
!!! info Sie können auch:
* `response_model_exclude_defaults=True`
* `response_model_exclude_none=True`
verwenden, wie in der <a href="https://docs.pydantic.dev/1.10/usage/exporting_models/#modeldict" class="external-link" target="_blank">Pydantic Dokumentation</a> für `exclude_defaults` und `exclude_none` beschrieben.
Aber wenn ihre Daten Werte für Modellfelder mit Defaultwerten haben, wie etwa der Artikel mit der ID bar
:
{
"name": "Bar",
"description": "The bartenders",
"price": 62,
"tax": 20.2
}
dann werden diese Werte in der Response enthalten sein.
Wenn Daten die gleichen Werte haben wie ihre Defaultwerte, wie etwa der Artikel mit der ID baz
:
{
"name": "Baz",
"description": None,
"price": 50.2,
"tax": 10.5,
"tags": []
}
dann ist FastAPI klug genug (tatsächlich ist Pydantic klug genug) zu erkennen, dass, obwohl description
, tax
, und tags
die gleichen Werte haben wie ihre Defaultwerte, sie explizit gesetzt wurden (statt dass sie von den Defaultwerten genommen wurden).
Diese Felder werden also in der JSON-Response enthalten sein.
!!! tip
Beachten Sie, dass Defaultwerte alles Mögliche sein können, nicht nur None
.
Sie können eine Liste (`[]`), ein `float` `10.5`, usw. sein.
Sie können auch die Parameter response_model_include
und response_model_exclude
im Pfadoperation-Dekorator verwenden.
Diese nehmen ein set
von str
s entgegen, welches Namen von Attributen sind, die eingeschlossen (ohne die Anderen) oder ausgeschlossen (nur die Anderen) werden sollen.
Das kann als schnelle Abkürzung verwendet werden, wenn Sie nur ein Pydantic-Modell haben und ein paar Daten von der Ausgabe ausschließen wollen.
!!! tip Es wird dennoch empfohlen, dass Sie die Ideen von oben verwenden, also mehrere Klassen statt dieser Parameter.
Der Grund ist, dass das das generierte JSON-Schema in der OpenAPI ihrer Anwendung (und deren Dokumentation) dennoch das komplette Modell abbildet, selbst wenn Sie `response_model_include` oder `response_model_exclude` verwenden, um einige Attribute auszuschließen.
Das trifft auch auf `response_model_by_alias` zu, welches ähnlich funktioniert.
=== "Python 3.10+"
```Python hl_lines="29 35"
{!> ../../../docs_src/response_model/tutorial005_py310.py!}
```
=== "Python 3.6+"
```Python hl_lines="31 37"
{!> ../../../docs_src/response_model/tutorial005.py!}
```
!!! tip
Die Syntax {"name", "description"}
erzeugt ein set
mit diesen zwei Werten.
Äquivalent zu `set(["name", "description"])`.
Wenn Sie vergessen, ein set
zu verwenden, und stattdessen eine list
e oder ein tuple
übergeben, wird FastAPI die dennoch in ein set
konvertieren, und es wird korrekt funktionieren:
=== "Python 3.10+"
```Python hl_lines="29 35"
{!> ../../../docs_src/response_model/tutorial006_py310.py!}
```
=== "Python 3.6+"
```Python hl_lines="31 37"
{!> ../../../docs_src/response_model/tutorial006.py!}
```
Verwenden Sie den Parameter response_model
im Pfadoperation-Dekorator, um Response-Modelle zu definieren, und besonders, um private Daten herauszufiltern.
Verwenden Sie response_model_exclude_unset
, um nur explizit gesetzte Werte zurückzugeben.