在Linux上使用Python和Flask创建你的第一个应用

简介: 在Linux上使用Python和Flask创建你的第一个应用 无论你在linux上娱乐还是工作,这对你而言都是一个使用python来编程的很好的机会。回到大学我希望他们教我的是Python而不是Java,这学起来很有趣且在实际的应用如yum包管理器中很有用。

在Linux上使用Python和Flask创建你的第一个应用

无论你在linux上娱乐还是工作,这对你而言都是一个使用python来编程的很好的机会。回到大学我希望他们教我的是Python而不是Java,这学起来很有趣且在实际的应用如yum包管理器中很有用。

本篇教程中我会带你使用python和一个称为flask的微型框架来构建一个简单的应用,来显示诸如每个进程的内存使用,CPU百分比之类有用的信息。

前置需求

Python基础、列表、类、函数、模块。HTML/CSS (基础)。

在Linux上安装Python 3

在大多数Linux发行版上Python是默认安装的。下面的你命令可以让你看到安装的版本。

 
 
  1. [root@linux-vps ~]# python -V
  2. Python 2.7.5

我们会使用3.x的版本来构建我们的app。根据Python.org所说,现在只对这个版本进行改进,而且不向后兼容Python 2。

注意: 在开始之前,我强烈建议你在虚拟机中尝试这个教程,因为Python是许多Linux发行版的核心组件,任何意外都可能会损坏你的系统。

以下步骤是基于红帽的版本如CentOS(6和7),基于Debian的版本如UbuntuMint和Resbian可以跳过这步,Pythonn 3应该默认已经安装了。如果没有安装,请用apt-get而不是yum来安装下面相应的包。

 
 
  1. [leo@linux-vps] yum groupinstall 'Development Tools'
  2. [leo@linux-vps] yum install -y zlib-dev openssl-devel sqlite-devel bzip2-devel
  3. [leo@linux-vps] wget https://www.python.org/ftp/python/3.4.2/Python-3.4.2.tgz
  4. [leo@linux-vps] tar -xvzf Python-3.4.2.tgz
  5. [leo@linux-vps] cd Python-3.4.2
  6. [leo@linux-vps] ./configure
  7. [leo@linux-vps] make
  8. # 推荐使用 make altinstall 以覆盖当前的 python
  9. [leo@linux-vps] make altinstall

成功安装后,你应该可以用下面的命令进入Python3.4的shell了。

 
 
  1. [leo@linux-vps]# python3.4
  2. Python 3.4.2 (default, Dec 12 2014, 08:01:15)
  3. [GCC 4.8.2 20140120 (Red Hat 4.8.2-16)] on linux
  4. Type "help", "copyright", "credits" or "license" for more information.
  5. >>> exit ()

使用pip来安装包

Python有它自己的包管理去,与yum和apt-get相似。你将需要它来下载、安装和卸载包。

 
 
  1. [leo@linux-vps] pip3.4 install "packagename"
  2. [leo@linux-vps] pip3.4 list
  3. [leo@linux-vps] pip3.4 uninstall "packagename"

Python虚拟环境

在Python中虚拟环境是一个放置你的项目的依赖环境的目录。这是一个将带有不同的依赖环境的项目隔离的好办法。它可以让你不用sudo命令就能安装包。

 
 
  1. [leo@linux-vps] mkdir python3.4-flask
  2. [leo@linux-vps] cd python3.4-flask
  3. [leo@linux-vps python3.4-flask] pyvenv-3.4 venv

要创建虚拟环境你需要使用“pyvenv-3.4”命令。上述命令会在venv文件夹的内部创建一个名为lib的目录,这里会安装项目所依赖的包。这里同样会创建一个bin文件夹容纳该环境下的pip和python可执行文件。

为我们的Linux系统信息项目激活虚拟环境

 
 
  1. [leo@linux-vps python3.4-flask] source venv/bin/activate
  2. [leo@linux-vps python3.4-flask] which pip3.4
  3. ~/python3.4-flask/venv/bin/pip3.4
  4. [leo@linux-vps python3.4-flask] which python3.4
  5. ~/python3.4-flask/venv/bin/python3.4

使用pip安装flask

让我们继续安装第一个模块flask框架,它可以处理访问路由和渲染显示我们app的模板。

 
 
  1. [leo@linux-vps python3.4-flask]pip3.4 install flask

在flask中创建第一个应用

第一步:创建你app的目录

 
  
  1. [leo@linux-vps python3.4-flask] mkdir app
  2. [leo@linux-vps python3.4-flask] mkdir app/static
  3. [leo@linux-vps python3.4-flask] mkdir app/templates

在python3.4-flask文件夹中创建一个名为app的文件夹,它包含了两个子文件夹“static”和“templates”。我们的Python脚本会放在app文件夹,像css/js这类文件会在static文件夹,template文件夹会包含我们的html模板。

第二步:在app文件夹内部创建一个初始化文件

 
  
  1. [leo@linux-vps python3.4-flask] vim app/_init_.py
  2. from flask import Flask
  3.  
  4. app = Flask(__name__)
  5. from app import index

这个文件会创建一个Flask的新的实例,并加载我们存储在index.py文件中的python程序——这个文件我们之后会创建。

 
  
  1. [leo@linux-vps python3.4-flask]vim app/index.py
  2. from app import app
  3.  
  4. @app.route('/')
  5. def index():
  6. import subprocess
  7. cmd = subprocess.Popen(['ps_mem'],stdout=subprocess.PIPE,stderr=subprocess.PIPE)
  8. out,error = cmd.communicate()
  9. memory = out.splitlines()
  10.  
  11. return

flask中的访问路由通过“路由装饰器”处理。它用于将一个 URL 绑定到函数。

 
  
  1. @app.route('/')
  2. @app.route('/index')

要在python中运行shell命令,你可以使用Subprocess模块中的Popen类。

 
  
  1. subprocess.Popen(['ps_mem'],stdout=subprocess.PIPE,stderr=subprocess.PIPE)

这个类会使用一个列表作为参数,列表的第一项默认是可执行的程序,下一项会是参数,这里是个另外一个例子。

 
  
  1. subprocess.Popen(['ls', ‘-l’],stdout=subprocess.PIPE,stderr=subprocess.PIPE)

stdout和stderr会相应地存储命令的输出和错误。你可以使用Popen的communicate方法来访问输出。

 
  
  1. out,error = cmd.communicate()

要更好地用html模板显示输出,我会使用splitlines()方法,

 
  
  1. memory = out.splitlines()

关于subprocess模块更多的信息会在教程的最后给出。

第三步:创建一个html模板来显示我们命令的输出。

要做到这个我们使用flask中的Jinja2模板引擎来为我们渲染。

最后你的index.py文件应该看起来像这样:

 
  
  1. from flask import render_template
  2. from app import app
  3.  
  4. def index():
  5. import subprocess
  6. cmd = subprocess.Popen(['ps_mem'],stdout=subprocess.PIPE,stderr=subprocess.PIPE)
  7. out,error = cmd.communicate()
  8. memory = out.splitlines()
  9.  
  10. return render_template('index.html', memory=memory)

现在在你的模板目录下创建一个index.html模板,flask会自动搜索这个目录下的模板。

 
  
  1. [leo@linux-vps python3.4-flask]vim app/templates/index.html
  2.  
  3.  
  4. Memory usage per process
  5.  
  6. {% for line in memory %}
  7. {{ line.decode('utf-8') }}
  8.  
  9. {% endfor %}

Jinja2模板引擎允许你使用“{{ … }}”分隔符来输出结果,{% … %}来做循环和赋值。我使用“decode()”方法来格式化。

第四步:运行app

 
  
  1. [leo@linux-vps python3.4-flask]vim run.py
  2. from app import app
  3. app.debug = True
  4. app.run(host='174.140.165.231', port=80)

上面的代码会在debug模式下运行app。如果你不指定 IP 地址和端口,默认则是localhost:5000。

 
  
  1. [leo@linux-vps python3.4-flask] chmod +x run.py
  2. [leo@linux-vps python3.4-flask] python3.4 run.py

我已经加了更多的代码来显示CPU、I/O和平均负载。

----------------------------------------------------------------------------------------------------------------------------

原文发布时间:2015-03-12
本文来自云栖合作伙伴“linux中国”
目录
相关文章
|
23小时前
|
数据采集 数据可视化 数据挖掘
Python在数据分析中的强大应用
【5月更文挑战第5天】Python在数据驱动时代成为数据分析师首选工具,得益于其丰富的数据科学库(如NumPy、Pandas、Matplotlib、Seaborn和SciPy)。这些库支持数据清洗、探索、建模和可视化。Python在数据清洗、文本分析、Web数据抓取和大数据处理等方面有广泛应用,并因其易学性、强大社区和广泛适用性而备受青睐。未来,Python在数据分析领域的角色将更加重要。
|
4天前
|
Linux Shell 调度
【Linux系列】fork( )函数原理与应用详解——了解【父子进程及其特性】(代码演示,画图帮助理解,思维导图,精简)(11)
【Linux系列】fork( )函数原理与应用详解——了解【父子进程及其特性】(代码演示,画图帮助理解,思维导图,精简)(11)
|
5天前
|
机器学习/深度学习 数据采集 算法
【Python 机器学习专栏】机器学习在医疗诊断中的前沿应用
【4月更文挑战第30天】本文探讨了机器学习在医疗诊断中的应用,强调其在处理复杂疾病和大量数据时的重要性。神经网络、决策树和支持向量机等方法用于医学影像诊断、疾病预测和基因数据分析。Python作为常用工具,简化了模型构建和数据分析。然而,数据质量、模型解释性和伦理法律问题构成挑战,需通过数据验证、可解释性研究及建立规范来应对。未来,机器学习将更深入地影响医疗诊断,带来智能和精准的诊断工具,同时也需跨学科合作推动其健康发展。
|
5天前
|
机器学习/深度学习 自然语言处理 搜索推荐
【Python机器学习专栏】迁移学习在机器学习中的应用
【4月更文挑战第30天】迁移学习是利用已有知识解决新问题的机器学习方法,尤其在数据稀缺或资源有限时展现优势。本文介绍了迁移学习的基本概念,包括源域和目标域,并探讨了其在图像识别、自然语言处理和推荐系统的应用。在Python中,可使用Keras或TensorFlow实现迁移学习,如示例所示,通过预训练的VGG16模型进行图像识别。迁移学习提高了学习效率和性能,随着技术发展,其应用前景广阔。
|
5天前
|
机器学习/深度学习 传感器 自动驾驶
【Python机器学习专栏】深度学习在自动驾驶中的应用
【4月更文挑战第30天】本文探讨了深度学习在自动驾驶汽车中的应用及其对技术发展的推动。深度学习通过模拟神经网络处理数据,用于环境感知、决策规划和控制执行。在环境感知中,深度学习识别图像和雷达数据;在决策规划上,学习人类驾驶行为;在控制执行上,实现精确的车辆控制。尽管面临数据需求、可解释性和实时性挑战,但通过数据增强、规则集成和硬件加速等方法,深度学习将持续优化自动驾驶性能,并在安全性和可解释性上取得进步。
|
5天前
|
机器学习/深度学习 自然语言处理 PyTorch
【Python 机器学习专栏】自然语言处理中的深度学习应用
【4月更文挑战第30天】本文探讨了深度学习在自然语言处理(NLP)中的应用,包括文本分类、情感分析和机器翻译等任务。深度学习的优势在于自动特征学习、强大的表达能力和处理大规模数据的能力。常见模型如RNN、LSTM、GRU、CNN和注意力机制在NLP中发挥作用。Python的TensorFlow、PyTorch、NLTK和SpaCy等工具支持NLP研究。然而,数据稀缺、模型解释性和计算资源需求高等挑战仍待解决。随着技术进步,未来深度学习将进一步推动NLP发展,实现更智能的语言交互。
|
5天前
|
机器学习/深度学习 算法 数据挖掘
【Python机器学习专栏】金融数据分析中的机器学习应用
【4月更文挑战第30天】本文探讨了机器学习在金融数据分析中的应用,如股价预测、信用评分、欺诈检测、算法交易和风险管理,并以Python为例展示了如何进行股价预测。通过使用机器学习模型,金融机构能更准确地评估风险、识别欺诈行为并优化交易策略。Python结合scikit-learn库简化了数据分析过程,助力金融从业者提高决策效率。随着技术发展,机器学习在金融领域的影响力将持续增强。
|
5天前
|
机器学习/深度学习 算法 Python
【Python机器学习专栏】文本分类的机器学习应用
【4月更文挑战第30天】文本分类是机器学习中的关键应用,涉及文本预处理、特征提取和模型训练等步骤。常见方法包括基于规则、关键词和机器学习(如朴素贝叶斯、SVM、深度学习)。Python中可使用scikit-learn进行文本分类,例如通过TF-IDF和朴素贝叶斯对新闻数据集进行处理。随着技术发展,未来将深入研究深度学习在文本分类中的应用及多模态数据的利用。
|
5天前
|
机器学习/深度学习 算法 UED
【Python 机器学习专栏】A/B 测试在机器学习项目中的应用
【4月更文挑战第30天】A/B测试在数据驱动的机器学习项目中扮演关键角色,用于评估模型性能、算法改进和特征选择。通过定义目标、划分群组、实施处理、收集数据和分析结果,A/B测试能帮助优化模型和用户体验。Python提供工具如pandas和scipy.stats支持实验实施与分析。注意样本量、随机性、时间因素和多变量分析,确保测试有效性。A/B测试助力于持续改进机器学习项目,实现更好的成果。
|
5天前
|
机器学习/深度学习 PyTorch 算法框架/工具
【Python机器学习专栏】PyTorch在深度学习中的应用
【4月更文挑战第30天】PyTorch是流行的开源深度学习框架,基于动态计算图,易于使用且灵活。它支持张量操作、自动求导、优化器和神经网络模块,适合快速实验和模型训练。PyTorch的优势在于易用性、灵活性、社区支持和高性能(利用GPU加速)。通过Python示例展示了如何构建和训练神经网络。作为一个强大且不断发展的工具,PyTorch适用于各种深度学习任务。