Python:Flask使用全局变量g传递数据

简介: Python:Flask使用全局变量g传递数据

文档

环境

$ python --version
Python 3.7.0
$ pip show flask
Name: Flask
Version: 2.0.3

需求:

全局入口before_request,我们拦截用户请求,对用户权限进行统一校验,校验通过再放行,否则拦截用户。

将校验通过的当前用户 user_id 存放到全局变量,以便后续处理方法使用,比如获取当前用户的一些信息

实现:

1、Flask使用全局变量g 的示例

# -*- coding: utf-8 -*-
from flask import Flask, g
app = Flask(__name__)
@app.get('/')
def index():
    return {'user_id': g.user_id}
@app.before_request
def handle_before_request():
    g.user_id = 100
    print('before_request')
if __name__ == '__main__':
    app.run(debug=True)

2、改用手动注册的方式进行路由绑定, 也可以获取到全局变量g

# -*- coding: utf-8 -*-
from flask import Flask, g
app = Flask(__name__)
def index():
    return {'user_id': g.user_id}
@app.before_request
def handle_before_request():
    g.user_id = 100
    print('before_request')
# 改用手动注册的方式进行路由绑定
app.add_url_rule('/', view_func=index)
if __name__ == '__main__':
    app.run(debug=True)

3、拆分到单独的函数,也可以获取到全局变量g

# -*- coding: utf-8 -*-
from flask import Flask, g
app = Flask(__name__)
def index():
    return {'user_id': g.user_id}
# 拆分到单独的函数使用 g
def permission():
    g.user_id = 100
@app.before_request
def handle_before_request():
    permission()
    print('before_request')
# 改用手动注册的方式进行路由绑定
app.add_url_rule('/', view_func=index)
if __name__ == '__main__':
    app.run(debug=True)

问题及报错

1、报错1

from flask import g
g['user_id'] = 1
TypeError: '_AppCtxGlobals' object does not support item assignment

2、报错2

from flask import g
g.user_id = 1
TypeError: '_AppCtxGlobals' object is not subscriptable


相关文章
|
3天前
|
数据可视化 数据挖掘 Python
Python时间序列分析苹果股票数据:分解、平稳性检验、滤波器、滑动窗口平滑、移动平均、可视化(下)
Python时间序列分析苹果股票数据:分解、平稳性检验、滤波器、滑动窗口平滑、移动平均、可视化
11 0
|
3天前
|
数据可视化 API 开发者
Python时间序列分析苹果股票数据:分解、平稳性检验、滤波器、滑动窗口平滑、移动平均、可视化(上)
Python时间序列分析苹果股票数据:分解、平稳性检验、滤波器、滑动窗口平滑、移动平均、可视化
13 0
|
3天前
|
机器学习/深度学习 数据可视化 安全
Python随机森林、线性回归对COVID-19疫情、汇率数据预测死亡率、病例数、失业率影响可视化(下)
Python随机森林、线性回归对COVID-19疫情、汇率数据预测死亡率、病例数、失业率影响可视化
12 1
|
3天前
|
机器学习/深度学习 数据可视化 Python
Python随机森林、线性回归对COVID-19疫情、汇率数据预测死亡率、病例数、失业率影响可视化(上)
Python随机森林、线性回归对COVID-19疫情、汇率数据预测死亡率、病例数、失业率影响可视化
18 0
|
3天前
|
机器学习/深度学习 存储 数据采集
【Python 机器学习专栏】PCA(主成分分析)在数据降维中的应用
【4月更文挑战第30天】本文探讨了主成分分析(PCA)在高维数据降维中的应用。PCA通过线性变换找到最大化方差的主成分,从而降低数据维度,简化存储和计算,同时去除噪声。文章介绍了PCA的基本原理、步骤,强调了PCA在数据降维、可视化和特征提取上的优势,并提供了Python实现示例。PCA广泛应用在图像压缩、机器学习和数据分析等领域,但降维后可能损失解释性,需注意选择合适主成分数量及数据预处理。
|
3天前
|
vr&ar Python
Python自激励阈值自回归(SETAR)、ARMA、BDS检验、预测分析太阳黑子时间序列数据
Python自激励阈值自回归(SETAR)、ARMA、BDS检验、预测分析太阳黑子时间序列数据
10 0
|
3天前
|
Python
Python随机波动性SV模型:贝叶斯推断马尔可夫链蒙特卡洛MCMC分析英镑/美元汇率时间序列数据|数据分享
Python随机波动性SV模型:贝叶斯推断马尔可夫链蒙特卡洛MCMC分析英镑/美元汇率时间序列数据|数据分享
|
3天前
|
机器学习/深度学习 Python
【Python机器学习专栏】时间序列数据的特征工程
【4月更文挑战第30天】本文探讨了时间序列数据的特征工程,强调其在捕捉季节性、揭示趋势、处理异常值和提升模型性能中的重要性。介绍了滞后特征、移动窗口统计特征、时间戳特征、频域特征和波动率特征等方法,并提供了Python实现示例。通过有效特征工程,可提高时间序列分析的准确性和预测可靠性。
|
3天前
|
机器学习/深度学习 计算机视觉 Python
【Python 机器学习专栏】图像数据的特征提取与预处理
【4月更文挑战第30天】本文探讨了图像数据的特征提取与预处理在机器学习中的重要性。图像数据具有大容量、信息丰富和冗余性高的特点。特征提取涉及颜色、纹理和形状特征;预处理包括图像增强、去噪和分割。Python的OpenCV和Scikit-image库在处理这些任务时非常有用。常见的特征提取方法有统计、变换和基于模型的方法,而预处理应注意保持图像真实性、适应性调整及验证评估。有效的特征提取和预处理能提升模型性能,Python工具使其更高效。
|
3天前
|
机器学习/深度学习 自然语言处理 算法
【Python机器学习专栏】文本数据的特征提取与表示
【4月更文挑战第30天】本文探讨了文本特征提取与表示在机器学习和NLP中的重要性。介绍了词袋模型、TF-IDF和n-gram等特征提取方法,以及稀疏向量和词嵌入等表示方式。Python中可利用sklearn和gensim库实现这些技术。有效的特征提取与表示有助于将文本数据转化为可处理的数值形式,推动NLP和机器学习领域的进步。