官网API：API  Flask中文文档(3.0.x)

中文网址：https://flask.github.net.cn/

菜鸟教程：https://www.cainiaojc.com/flask/

李辉：https://tutorial.helloflask.com/

Flask 是一个用 Python 编写的轻量级 Web 应用框架。它非常适合快速开发小型到中型的应用程序，同时也支持通过扩展来构建更复杂的功能。Flask 的核心设计原则是保持简单性和灵活性，使得开发者可以很容易地开始编写 Web 应用程序，并根据需要添加更多功能。

Flask 的特点

1. 轻量级：Flask 不包含数据库抽象层、表单验证等功能，而是提供了这些功能的扩展。
2. 灵活：开发者可以自由选择自己想要使用的工具和库来完成特定任务，比如数据库、模板引擎等。
3. 易于上手：Flask 提供了简洁的 API 和文档，即使是初学者也能很快上手。
4. 可扩展性：通过使用扩展，Flask 可以轻松地扩展功能，如用户认证、ORM、表单处理等。
5. 内置开发服务器和调试器：Flask 提供了一个简单的开发服务器和调试器，方便开发者进行测试和调试。

Flask 的基本结构

一个简单的 Flask 应用通常包括以下几个部分：

1. 创建应用实例：使用 Flask(__name__) 创建一个 Flask 应用实例。
2. 定义路由：使用装饰器 @app.route() 定义 URL 路由及其对应的视图函数。
3. 视图函数：每个路由对应一个视图函数，负责处理请求并返回响应。
4. 运行应用：使用 app.run() 启动 Flask 内置的开发服务器。

示例代码

下面是一个简单的 Flask 应用示例，它加载一个预先训练好的模型，并提供一个 API 接口来接收 JSON 数据并返回预测结果。

from flask import Flask, request, jsonify
import joblib
import pandas as pd

# 创建 Flask 应用实例
app = Flask(__name__)

# 加载预先训练好的模型
model = joblib.load('trained_model.pkl')

@app.route('/predict', methods=['POST'])
def predict():
    # 获取 JSON 数据
    data = request.get_json()

    # 转换为 DataFrame
    features = pd.DataFrame(data, index=[0])

    # 预测
    prediction = model.predict(features)

    # 返回预测结果
    return jsonify({'prediction': prediction.tolist()})

if __name__ == '__main__':
    # 启动 Flask 应用
    app.run(host='0.0.0.0', port=5000, debug=True)

解释代码

1. 导入必要的模块：从 Flask 导入 Flask 类，用于创建应用实例；从 joblib 导入 load 函数，用于加载模型；从 pandas 导入 DataFrame 类，用于处理数据。
2. 创建 Flask 应用：使用 Flask(__name__) 创建一个 Flask 应用实例。
3. 加载模型：使用 joblib.load 函数加载预先训练好的模型。假设模型已经保存为 trained_model.pkl 文件。
4. 定义路由和视图函数：

• @app.route('/predict', methods=['POST']) 定义了一个路由 /predict，并指定了 HTTP 方法为 POST。
• predict 函数是与 /predict 路由关联的视图函数，它处理 POST 请求。
• 在视图函数中，首先获取请求中的 JSON 数据，然后将数据转换为 Pandas DataFrame。
• 使用模型进行预测，并将结果转换为列表形式。
• 最后，使用 jsonify 函数将预测结果转换为 JSON 格式并返回。

5.运行应用：

• if __name__ == '__main__': 确保只有当脚本直接运行时才启动 Flask 应用。
• app.run(host='0.0.0.0', port=5000, debug=True) 启动 Flask 内置的开发服务器，监听所有网络接口 (0.0.0.0) 并在端口 5000 上运行。debug=True 表示启用调试模式。