14 基于Flask的推荐服务：搭建基础的Flask服务
你好，我是黄鸿波。
在前面的课程中，我们已经对推荐系统的基本架构以及各个模块有了一个比较清晰的认识，也能够自己动手处理在推荐系统中用到的各种数据和简单的画像系统了。通过上一章的学习，我们也能够使用一些简单的基于规则的方法找到用户喜欢的内容。有了这些储备，从本章起，我们就可以开始搭建一个简单的推荐系统服务了。
这节课我们先来用Flask搭建一个简单的推荐服务。我们会深入地认识Flask，学习如何使用Flask框架来搭建一个简单的Web服务。我们会用它提供一个POST接口，再用相应的工具进行调用。
我们可以用Flask来做什么
要搭建一个推荐系统，我们首先要对Web服务有一个简单的了解。
我们上线一个推荐系统，最终的目的就是给到用户访问，所以我们首先需要一个载体，比如网页、App等。这些载体会通过Web服务调用服务端提供的接口，然后服务端再去请求模型，并根据输入的特征将模型的结果返回并进行组装，拿到相应的推荐数据后再返回给用户，形成一个完整的流程。
我们可以发现，Web服务在整个推荐系统中起到了一个承上启下的作用，它相当于是用户与推荐系统的一个中间件，而这个中间件对于一个完整的企业级推荐系统来说是至关重要的。所以，对于现阶段的我们来说，最重要的一件事就是搭建一套Web服务。
常见的Web服务应用框架有很多，基于Python的常见的Web框架有Flask、Django、Sanic等，基于Java的Web框架有Spring、SpringBoot等，你可以根据自己熟悉的开发语言来按需选择。我们这门课程主要是使用基于Python的Flask框架来搭建HTTP服务。
Flask是一个轻量级的可定制框架，使用Python语言编写，较其他同类型框架更为灵活、轻便、安全且容易上手。它的基本模式是在程序里将一个视图函数分配给一个URL，每当用户访问这个URL时，系统就会执行给该URL分配好的视图函数，获取函数的返回值并将它显示到浏览器上。在Python中，这个工作过程可以参考下图。
客户端（Client）的最终目的是向应用程序（Application）请求内容。这个请求首先需要经过WSGI Werkzeug，这里的WSGI就是Web服务器网关接口（Python Web Server Gateway Interface，缩写为WSGI）。它是由Python语言定义的，Web服务器和Web应用程序/框架之间的一种简单而通用的接口，我们可以简单地将WSGI视为客户端与应用程序之间的中间层。
当WSGI收到客户端的请求之后，会把这个请求内容处理成符合WSGI规范的格式，然后传给应用程序。这个时候，应用程序接收到的请求不仅包含了客户端发来的请求参数，还包含一些其他的环境信息，应用程序可以用这些环境信息来进行下一步的处理。
当应用程序接收到请求的内容后，就会进行下一步操作，例如请求模型进行预测、请求数据库获取需要的数据等，然后将得到的结果返回给WSGI程序。WSGI程序通过处理后，会将最终的结果返回给客户端，从而完成一整套Flask工作流。
对于推荐系统来说，我们要做的就是写一个API接口，然后通过WSGI程序接收客户端发送的请求。得到请求之后，我们要进一步处理采集到的数据。其中一部分数据我们会送入数据库，将其作为日志行为数据。另一部分数据我们会用来分析用户特征，帮助模型进行在线
推理和预测，然后将推理得到的结果返回（这里返回的一般是文章或者视频等内容的ID）。接下来我们要做的就是对这些ID进行组装，从数据库中实时拿到对应的数据，然后再映射到界面上，最终呈现给用户。
搭建Flask开发环境
理解了Flask的概念和用途，接下来我们就使用Flask框架来搭建一个最简单的Web服务。
一般来讲，在推荐系统工程中，我们的推荐系统服务和推荐系统的模型训练会使用两个不同的工程。所以，为了避免Python库的依赖冲突，我也建议你使用Anaconda再新建一个虚拟环境，这样比较方便后续的模型部署和管理。
我们可以使用下面的命令建立一个名为 recommendation-service 的 Anaconda 环境。
创建完虚拟环境之后，使用下面的命令进入虚拟环境。
Linux or Mac。
Windows。
接下来，我们要在我们的Ancona环境下安装Flask的库。一般来讲，无论是在Windows系统还是Linux系统上，我们都可以直接使用pip install或者conda install命令来安装我们需要的库。这里我使用pip install命令来安装Flask库。
安装完成之后，我们就可以在我们的IDE里通过import方法来使用相应的库了。
接下来，我们开始搭建我们的第一个服务。
首先，我们需要在Pycharm里建立一个Python的应用，如果你是professional版本的用户，也可以直接建立一个Flask应用。我们将项目命名为recommendation_service，在Python Interpreter里选择我们已经存在的Interpreter，如下图所示。
如果你建立的是一个空的Python应用，那么创建好之后，你的项目就是这样的。
如果你建立的是一个Flask应用，那么你的项目就是这样的。
不过要注意的是，在我们以往的Python项目中，一个项目的启动文件是main.py文件，但是对于一个Flask工程而言，它的启动文件应该是app.py，这个区别一定要记住。
另外，我们还可以看到，如果使用Flask工程模板创建项目，在项目里面还会带有2个目录，分别是static和templates，这两个目录是Flask工程默认的目录，分别用来存放静态文件和模板文件（或者HTML文件）。但是我们目前只需要Flask作为我们的服务，所以这两个目录可以暂且不用管，或者直接删除掉就好。
接下来，我们通过Flask的初始化代码来让你对Flask的框架结构有一个简单的认识，代码如下。
from flask import Flask
app = Flask(__name__)
@app.route('/')
def hello_world():
return 'Hello World!'
if __name__ == '__main__':
app.run()
我们先简单地看一下这份代码。
代码的第1行是导入Flask库，这可以方便我们后面使用Flask库的相关接口进行开发。
在第3行，我们使用Flask()类创建了一个App实例，后续我们使用 Flask 也全都是基于这个App实例来进行的。
第6到8行，这里实际上就是一个很简单的函数，函数的名称为hello_world。当它被调用之后，会返回一个字符串“Hello World!”。在Flask中有一个路由的概念，我们将路由可以理解为外部通过什么样的路径可以触发我们的这个函数，在这个小例子中，通过根路径就可以访问到我们的hello_world函数，因此，这里app.route()装饰器传入的就是“/”。
第11到12行，这是Python里一个简单的main函数，也就是执行程序的主函数。在这个函数中，我们调用了app.run()函数，用run函数来让应用运行在本地服务器上。
这时，我们运行这个程序，控制台将会打印如下信息。
FLASK_APP = app.py
FLASK_ENV = development
FLASK_DEBUG = 0
In folder F:/flaskProject
H:\anaconda3\envs\atari-irl\python.exe -m flask run
* Serving Flask app 'app.py' (lazy loading)
* Environment: development
* Debug mode: off
* Running on http://127.0.0.1:5000 (Press CTRL+C to quit)
到这里，一个最简单的Flask程序就已经跑起来了。这时，我们打开浏览器，输入下面这行代码。
可以得到如下界面，这代表我们的Flask程序已经能够正常运行了。
搭建第一个Flask接口服务
我们搭建好一个最基础的Flask框架之后，接下来，我们可以利用它来完成一个demo级别的接口。
我们暂且给这个接口命名：hello_rec，函数名就叫hello_recommendation。我们把这个接口定义成一个post接口，然后再接收1个参数user_id，最后我们再返回一个JSON字符串：“hello”+user_id。
接下来我们来看代码。
from flask import Flask, request, jsonify
import json
app = Flask(__name__)
@app.route('/')
def hello_world():
return 'Hello World!'
@app.route('/hello_rec', methods=["POST"])
def hello_recommendation():
try:
if request.method == 'POST':
req_json = request.get_data()
rec_obj = json.loads(req_json)
user_id = rec_obj["user_id"]
return jsonify({"code": 0, "msg": "请求成功", "data": "hello " + user_id})
except:
return jsonify({"code": 2000, "msg": "error"})
if __name__ == '__main__':
app.run()
这份代码实际上是在上一份代码的基础上增加了一些内容。首先在最上面的导入部分，我增加了我们所需要的request请求的包和JSON返回的包，并在第2行增加了一个用来解析JSON的包。
第11行到20行是我们实现这个功能的主体部分。在这里我们定义了一个路由，路由地址为“/hello_rec”，然后指定接收的请求为Post请求。在函数体部分，我使用了一个try函数，当请求的内容有问题时，为了让用户体验更友好，我直接使用jsonify返回一个编码为2000的错误，如果请求的内容是正确的，就去接收请求过来的user_id，然后返回hello加上user_id，最终使用jsonify包装后返回给用户。
作为用户，我们可以使用Postman或者其他工具对这个接口进行请求，如果请求正确，就得到下面的结果。
如果请求错误，比如我们这里把参数“user_id”不小心打成了users_id，则返回错误。
如果你能够得到和我一样的结果，就说明你的Flask服务搭建成功了。
这里再强调几个细节。
- 就像上面代码的第15到17行显示的那样，我们使用的方法是接收Post请求之后，在接收的请求体中获取请求的内容。这个请求体的内容我们使用Python的request自带的get_data()函数获取。获取到内容之后，我们又通过json.loads将其转换成了一个JSON对象，并将“user_id”取出，对其进行加工处理后返回。
- 我们在这里做了一个容错判断，就是如果请求的内容有错，我们不会将异常抛出，而是定义了一个错误码，并将其转换成了JSON的格式友好输出，这样做的好处一方面是能够给用户带来比较友好的体验，另一方面也有利于程序的安全。因为一旦原始的错误信息暴露给用户，用户就很容易抓住这些错误信息来攻击我们的系统。
- 我们把输出的内容全部标准化了。也就是都使用JSON的形式来返回，并规定了一些自定义的状态码和数据格式。这有利于我们以后将推荐系统进行工程化开发和部署时，与同事合作和交流。一般来讲，我们在做数据处理，以及各种格式转换的时候，都会先将其转换成JSON格式，这样能够使各种程序更好地协作。
- 我们发送的请求使用的是Raw请求方式，并使用JSON的方式发送请求，这样做可以方便我们在企业中与其他语言对接。
到目前为止，一个最简单的Flask接口就已经完成了。
总结
总结一下。这节课，我们先是简单认识了一下Flask框架和HTTP服务。
- Flask是一个轻量级的、易上手的Web服务框架，我们可以用它来搭建我们的推荐系统服务。
- 另外，Flask框架传输一般是通过HTTP协议来传输的，为了方便传输双方的协作，我们一般将JSON作为中间传输格式。
- 在Flask框架中的Web传输主要使用的是WSGI，WSGI就是Web服务器的网关接口，它是连接Python与Web服务的桥梁。
也就是说，要想搭建一个推荐系统服务，至少需要对Web服务、接口、模型的调用、数据的流转有着整体的认识。
接着，我们在Python环境下使用Flask框架，搭建了一个简单的接口，并使用Postman来进行调用，最后得到了一个正确的输出。
希望通过这节课的学习，你能对Flask服务拥有基本的认识。接下来的课程中，我们会基于这个项目继续拓展，增加关于数据库、推荐模型以及Gunicorn等和企业级推荐系统相关的更多知识，从而形成一套整体的企业级推荐系统框架，让我们拭目以待吧！
课后题
学完这节课，给你留两道课后题。
- 搭建好Anaconda和Pycharm开发环境。
- 搭建Flask开发环境，并实现这样一个web接口：输入两个数字，就可以输出这两个数字的乘积。
欢迎你把代码上传到GitHub中，留下你的代码链接，我会选择一些有代表性的代码在评论区进行点评。
- Geek_ccc0fd 👍（4） 💬（1）
直接request.get_json()就可以了，不需要get_data再json.loads一遍： @app.route('/sum', methods=["POST"]) def sum(): try: if request.method == "POST": req_json = request.get_json() a = req_json['a'] b = req_json['b'] return jsonify({'code': 200, 'msg': '请求成功', 'data': a+b}) except: return jsonify({'code': '500', 'msg': 'error'})
2023-05-17 - 欢少の不忘初心 👍（0） 💬（1）
最近刚学了Go，拿Go来练练手。老师Go语言 Gin框架也可以吧
2023-06-03 - peter 👍（0） 💬（1）
python适合用来开发中型、大型网站吗？ Python是不是难以处理高并发？
2023-05-18 - 海欧 👍（0） 💬（1）
这个flask结合docker可以做到多大的并发，有什么实现技巧吗
2023-05-17 - 一叶浮萍 👍（0） 💬（1）
老师, 一般公司高并发的请求都是后端统一来处理的, 他们调用推荐系统的话一般是grpc吗, 还是其他什么方式?
2023-05-17 - GAC·DU 👍（2） 💬（0）
Github作业地址：https://github.com/gacdu/recommendation-service
2023-05-17