【在FastAPI应用中嵌入Gradio界面的实现方法】如何在有一个Fastapi应用的基础上，新加一个gradio程序

官网教程：https://www.gradio.app/guides/sharing-your-app#mounting-within-another-fast-api-app

实践：

cpp
import gradio as gr
from fastapi import FastAPI
from starlette.middleware.cors import CORSMiddleware
CUSTOM_PATH = "/gradio"
app = FastAPI()
app.add_middleware(
    CORSMiddleware,
    allow_origins=["*"],
    allow_credentials=True,
    allow_methods=["*"],
    allow_headers=["*"],
)
@app.get("/")
def read_main():
    return {"message": "This is your main app"}
# 定义当按钮被点击时执行的函数
def greet(text):
    return f"Hello, {text}!"
def create_gradio():
    # 使用 Blocks API 创建界面
    with gr.Blocks() as demo:
        gr.Markdown("### Enter your name to be greeted")
        # 创建一个文本输入框
        name_input = gr.Textbox(label="Your name")
        # 创建一个按钮
        greet_button = gr.Button("Greet")
        # 创建一个输出区域
        output = gr.Textbox(label="Greeting")
        # 当按钮被点击时，调用greet函数，并将结果显示在output中
        greet_button.click(fn=greet, inputs=name_input, outputs=output)
    return demo
if __name__ == '__main__':
    import uvicorn
    app = gr.mount_gradio_app(app, create_gradio(), path=CUSTOM_PATH)
    uvicorn.run(app)

在这里插入图片描述

介绍：

在Web应用开发中，将不同的工具和库结合起来实现更丰富的功能是一种常见的需求。本文将介绍如何在基于FastAPI框架构建的Web应用中嵌入Gradio界面，以实现用户友好的交互体验。

Gradio是一个强大的Python库，可用于快速构建机器学习模型的交互式界面。FastAPI则是一个快速（高性能）的web框架，用于构建API。将它们结合起来，可以实现更复杂和功能强大的Web应用程序。

步骤：

导入所需的库：

在代码中首先导入所需的库，包括Gradio、FastAPI以及相关的中间件。
设置FastAPI应用：

创建FastAPI应用实例，并配置跨域资源共享（CORS）中间件，以允许不同源之间的通信。
定义主页路由：

创建一个简单的路由处理函数，用于主页请求的处理，并返回一个简单的消息，表示主页已成功加载。
定义Gradio界面：

创建一个函数，用于定义Gradio界面。在这个函数中，使用Gradio的Blocks API创建界面元素，如文本框、按钮等，并定义按钮点击事件的处理函数。
将Gradio界面挂载到FastAPI应用中：

使用Gradio提供的mount_gradio_app函数，将Gradio界面挂载到FastAPI应用中，并指定挂载路径。
启动应用：

使用uvicorn或其他HTTP服务器启动FastAPI应用，以便用户可以访问并与Gradio界面交互。

代码优化：

在代码中已经实现了功能，但可以对其进行一些优化，以提高可读性和可维护性。例如，可以将路由处理函数和Gradio界面定义函数分离出来，使代码结构更清晰；可以添加注释来解释每个函数的作用和参数；可以使用更具描述性的变量名。

结论：

通过将Gradio界面嵌入到FastAPI应用中，我们可以轻松地实现一个交互式的Web应用程序，为用户提供友好的界面来与机器学习模型进行交互。这种组合使用不同库和工具的方法，可以为开发者提供更多的灵活性和创造性，以满足不同场景下的需求。