Перейти к содержимому
Антон ГончаровРазработчик ИИ-систем
RUEN

Серверные приложения на Python, Django, Flask и FastAPI

Р. С. Бухарев

  • Программирование
  • Python
  • Бэкенд

Путь серверной разработки на Python — от сокетов и протоколов до архитектуры и запуска на сервере. Django, Flask и FastAPI разобраны на реальных проектах: CRM-система, Telegram-бот с серверной логикой, REST API для мобильного приложения и чат на WebSocket.

Отдельные главы — про кеширование и масштабирование, Docker и Kubernetes, PostgreSQL, MySQL, SQLite и MongoDB и про безопасность: хеширование паролей, JWT и OAuth 2.0, защита от SQL-инъекций, XSS и CSRF, TLS.

Главные мысли

  1. Фреймворк выбирают под задачу: Django — для админки и «всё включено», Flask — для небольших сервисов, FastAPI — для асинхронных API.
  2. Под фреймворком всегда HTTP и сокеты: понимание протокола экономит часы отладки.
  3. Безопасность закладывается сразу: пароли — только хешем, ключи API — вне кода, ввод пользователя — через параметры запроса.
  4. Кеш и горизонтальное масштабирование дешевле, чем переписывание сервиса под нагрузку.

Как применяю

API этого сайта и бэкенды ботов пишу на FastAPI, а Django беру, когда клиенту нужна готовая админка.

Где и как применил

  • Демо · Backend на Python · вебхуки → amoCRM и Битрикс24

    Интеграционный хаб заявок

    Хаб заявок на асинхронном FastAPI: вебхуки двенадцати источников, у каждого своя защита — подпись HMAC, токен или строка подтверждения.

Ещё на полке

  • Читаю

    Прикладные API для искусственного интеллекта и Data Science

    Райан Дэй

    Практическая книга о том, как сделать API для данных и как подключить к нему ИИ. Сквозной проект — сервис на FastAPI с базой и документацией, затем SDK для него, использование API в аналитике и, наконец, агенты на LangChain, которые сами вызывают API.

    ИИ и агентыPythonAPIПрименено в 3 проектах

  • Читаю

    Промпт инжиниринг для LLM

    Джон Берриман, Альберт Циглер

    Авторы — инженеры, которые делали GitHub Copilot. Книга не про «волшебные фразы», а про то, как построить приложение вокруг модели: как LLM видит текст, как собрать для неё контекст из данных пользователя, как устроены диалоговые агенты с инструментами и рабочие процессы из нескольких шагов и как проверять качество ответов.

    ИИ и агентыLLMПромпт-инжинирингПрименено в 3 проектах