1. 简介
使用flask封装，简单来讲就是将python文件引入flask。这样的结果就是在网页上输入一个url就能得到结果。下面就讲如何进行实现。
2. 任务1：求两数之和
2.1 代码讲解
新建一个server.py的文件，文件中代码如下所示：
from flask import Flask
from flask import request
from flask import jsonify
def get_sum(x, y):
result = x + y
return result
app = Flask(__name__)
@app.route('/',methods=['POST','GET','PUT'])
def get_result():
x = request.args.get('first')
y = request.args.get('second')
res = get_sum(x, y)
return str(res)
if __name__ == '__main__':
app.config['JSON_AS_ASCII'] = False
app.run()
最上面导包和python一样，不再赘述。
导包和app = Flask(__name__)之间的内容（本例中就是get_sum函数）为执行python server.py加入内存的东西。假如我们现在不仅需要计算一次两数之和，而是给了100组数，每组数都要计算两数之和，那么我们需要不断加载get_sum函数，然后求和（如果换成一个机器学习的例子可能更好理解。比如我们已经训练好一个模型，现在要实时预测，即来一条数据加载一次模型，然后预测。再来一条数据，重复上述过程。每次来数据，我们都加载模型，会很浪费时间，尤其是模型很大时，这时把load模型的代码放到get_sum的位置，在命令窗口执行python server.py后，模型就永久加载到内存了，不需要每次来一条数据都要加载一次模型，第3章的例子可能会帮助理解， 可详看第三章）
app = Flask(__name__)个人觉得写法比较固定，可不用理会
@app.route('/',methods=['POST','GET','PUT'])斜杠/貌似也比较固定，可先不用管，有的例子也做了调整，可见链接：http://www.pythondoc.com/flask-restful/first.html。methods是http请求的方法，目前有8种请求方法：
具体详见博客：https://www.cnblogs.com/weibanggang/p/9454581.html。在实际应用中发现，如果想要新建一个excel文件，并保存代码的结果，必须加put才有结果，否则得到的excel文件是空的。具体原理涉及http请求，本人不太懂。
接下来get_result函数具体作用大致有两个：一个是从url中获得相应的参数值。本例中要求两数之和，因此必须得到两个数x和y的值，那么 x = request.args.get(‘first’)
y = request.args.get(‘second’)就是从url解析出first和second参数，并把两个参数的值分别赋给x和y，不过赋值前需要先转化成int，因为从url中解析到的参数值是str类型，url长什么样子下面会讲。第二个作用就是从内存中（就是本例上面所讲的get_sum函数）调用相应函数以获得最终结果。特别需要注明的是get_result函数必须有return，不能省略或者写成return None，否则在网页使用url打开时会报错，且返回的类型不能是int，只能是str或者json。
if __name__ == '__main__':和python中用法一样
app.config['JSON_AS_ASCII'] = False固定用法暂时不管
app.run() 这个就是运行整个程序，run有两个参数，可写成app.run(host="192.168.199.166", port=5000)。我们知道在浏览器中输入ip地址或者域名都可以打开网页，那么host就指定了打开哪个网页，port指定了端口。不写的话默认是本地地址，发现无论是自己的window电脑还是linux电脑，默认ip都是127.0.0.1，端口都是5000。
2.2 执行讲解
上面我们在server.py文件中写好代码后，就可以打开命令窗口执行python server.py了，如下图所示：
此时get_sum函数已经加载到内存。
然后打开自己的浏览器，输入http://127.0.0.1:5000/?first=3&second=4
- http://127.0.0.1:5000就是我们app.run中指定的host和port
- /?：固定写法，记住吧，应该是http的知识
- first=3：即
x = request.args.get('first')中的first，因此x现在是3，注意这时3是str类型（即使没有引号，默认都是str类型），要计算和需要转换成int - second=4：同上
- &：多个参数之间用&符号连接
最终页面返回结果如下：
3. 任务2：机器学习任务用于线上部署
任务：预测url中是否含有xss攻击，现已经训练好一个决策树模型。
- 本地新建一个server.py文件
import numpy as np
from flask import Flask
from flask import request
from flask import jsonify
import joblib
import re
import urllib
import base64
import string
dt_model = joblib.load('DT-module.m') # 决策树模型
std_model = joblib.load('DT-std-module.m') # 数据标准化模型
# 提取url的特征
def get_feature(url):
# url的长度
处于保密性，省略该函数的代码，此函数的目的就是根据url提取特征数据
app = Flask(__name__)
@app.route('/',methods=['POST','GET'])
def output_data():
text=request.args.get('inputdata') # inputdata为需要检测的url
if text:
url_feature = get_feature(url)
url_feature = np.array(url_feature).reshape(1, -1)
std_feature = std_model.transform(url_feature)
pred = dt_model.predict(std_feature)
return jsonify(str(pred)) # 转化成json方式
if __name__ == '__main__':
app.config['JSON_AS_ASCII'] = False
app.run(host='127.0.0.1',port=6666) # 127.0.0.1 #指的是本地ip
- 打开命令窗扣
执行python server.py - 本地新建一个client.py文件
import requests
import time
from sklearn.metrics import accuracy_score
import pandas as pd
time_list = [] # 记录时间
pred = [] # 用于记录一个个url的结果
with open('test.csv', 'rb') as f: # test.csv中有用于检测的url
for line in f:
time_start = time.time()
base = 'http://127.0.0.1:6666/?inputdata=%s'%line # url
response = requests.get(base) # 类似于第2章从网页打开了url
answer = response.json() # 获得网页返回的结果
print('预测结果',answer)
time_end = time.time()
one_time = time_end - time_start
time_list.append(one_time)
answer = answer[1] # 返回的结果是一个str，str里面是list，list里只有一个元素0或者1，代表是否是xss攻击。为了取出0或者1，需要本代码
pred.append(int(answer))
mean_time = sum(time_list) / len(time_list)
result = pd.DataFrame({'real_label':label, 'pred':pred})
- 打开命令窗扣
执行python client.py这样就完成了机器学习模型的线上部署