# main_before_refactor.py (示例)
from fastapi import FastAPI
from pydantic import BaseModel
import joblib # 或者你喜欢的模型加载库

# 假设模型已预训练并保存为 'model.joblib'
# 假设必要的预处理步骤已在其他地方定义或很简单

# --- 数据模型 (来自第二章) ---
class InputFeatures(BaseModel):
    feature1: float
    feature2: float
    # ... 其他特征

class PredictionOutput(BaseModel):
    prediction: float # 或合适的类型

# --- 应用设置 ---
app = FastAPI(title="Simple ML Prediction Service")

# --- 模型加载 (来自第三章) ---
# 在实际应用中，处理潜在的加载错误
model = joblib.load("model.joblib") 

# --- 预测接口 (来自第三章) ---
@app.post("/predict", response_model=PredictionOutput)
async def make_prediction(input_data: InputFeatures):
    """
    接收输入特征并返回预测结果。
    """
    # 将 Pydantic 模型转换为模型预期的格式
    # 这里做了简化；实际的预处理可能更复杂
    features = [[input_data.feature1, input_data.feature2]] 

    prediction_result = model.predict(features)

    return PredictionOutput(prediction=prediction_result[0])

# --- 根接口 (可选) ---
@app.get("/")
async def read_root():
    return {"message": "Prediction service is running"}

# 运行方式 (使用 uvicorn): uvicorn main_before_refactor:app --reload

这适用于简单情况，但随着我们添加更多接口（例如，用于模型信息、批量预测、不同模型版本），这个单一文件将变得难以管理。

使用 APIRouter 重构

我们来使用APIRouter来组织项目。

创建项目结构： 像这样组织你的文件：

your_project/
├── app/
│   ├── __init__.py
│   ├── main.py         # 主应用设置
│   ├── routers/
│   │   ├── __init__.py
│   │   └── predictions.py # 预测相关路由
│   ├── models/
│   │   ├── __init__.py
│   │   └── schemas.py    # Pydantic 模型
│   └── core/
│       ├── __init__.py
│       └── config.py     # 配置 (目前可选)
├── tests/
│   ├── __init__.py
│   └── test_predictions.py # 预测路由的测试
├── model.joblib          # 你的序列化模型
└── requirements.txt      # 项目依赖

定义 Pydantic 模型： 将 Pydantic 模型移至app/models/schemas.py：

# app/models/schemas.py
from pydantic import BaseModel

class InputFeatures(BaseModel):
    feature1: float
    feature2: float
    # ... 其他特征

class PredictionOutput(BaseModel):
    prediction: float # 或合适的类型

创建预测路由： 将预测逻辑移至app/routers/predictions.py。注意我们导入APIRouter并使用router而不是app作为装饰器。我们还调整了导入路径。

# app/routers/predictions.py
from fastapi import APIRouter
import joblib 
from app.models.schemas import InputFeatures, PredictionOutput 

# 假设模型路径已配置或已知
MODEL_PATH = "model.joblib" 
model = joblib.load(MODEL_PATH)

router = APIRouter(
    prefix="/predict", # 此路由中的所有路径都将以 /predict 开头
    tags=["predictions"] # 在 API 文档中分组接口
)

@router.post("/", response_model=PredictionOutput) # 路径现在相对于前缀
async def make_prediction(input_data: InputFeatures):
    """
    接收输入特征并返回预测结果。
    (逻辑与之前相同)
    """
    features = [[input_data.feature1, input_data.feature2]]
    prediction_result = model.predict(features)
    return PredictionOutput(prediction=prediction_result[0])

# 你稍后可以在这里添加其他与预测相关的接口，
# 例如，@router.post("/batch", ...)

更新主应用： 修改app/main.py来创建主FastAPI实例并引入路由。

# app/main.py
from fastapi import FastAPI
from app.routers import predictions # 导入路由模块

app = FastAPI(title="Refactored ML Prediction Service")

# 引入 predictions.py 中的路由
app.include_router(predictions.router) 

@app.get("/")
async def read_root():
    return {"message": "Prediction service is running"}

# 运行方式: uvicorn app.main:app --reload

简化图示，说明了重构后的项目结构以及main.py、预测路由和Pydantic模型之间的交互。

现在，我们的预测逻辑整齐地存放于app/routers/predictions.py中，而main.py则更简洁，专注于应用设置和路由。

使用 TestClient 测试预测服务

结构就绪后，我们来编写测试。我们将使用pytest和FastAPI的TestClient。

安装 Pytest： 如果你尚未安装，请安装pytest：
```
pip install pytest
```
创建测试文件： 创建tests/test_predictions.py。

编写测试：

# tests/test_predictions.py
from fastapi.testclient import TestClient
from app.main import app # 导入 FastAPI 应用实例
from app.models.schemas import InputFeatures # 如果需要，为类型提示导入

# 使用我们的 FastAPI 应用创建一个 TestClient 实例
client = TestClient(app)

def test_read_root():
    """测试根接口。"""
    response = client.get("/")
    assert response.status_code == 200
    assert response.json() == {"message": "Prediction service is running"}

def test_make_prediction_success():
    """使用有效输入测试预测接口。"""
    # 定义符合 InputFeatures 模式的有效输入数据
    valid_input = {"feature1": 5.1, "feature2": 3.5} 

    # 向 /predict/ 接口发送 POST 请求
    response = client.post("/predict/", json=valid_input) 

    # 断言请求成功 (HTTP 200 OK)
    assert response.status_code == 200

    # 断言响应体结构符合 PredictionOutput
    response_data = response.json()
    assert "prediction" in response_data

    # 可选：断言预测结果的类型
    assert isinstance(response_data["prediction"], float) 

    # 注意：断言确切的预测值取决于你的模型 
    # 并且可能需要固定的测试数据集或模拟模型。
    # 为简单起见，这里我们关注结构和状态。

def test_make_prediction_invalid_input_type():
    """使用不正确输入数据类型测试预测接口。"""
    # 发送特征为字符串而非浮点数的数据
    invalid_input = {"feature1": "wrong_type", "feature2": 3.5}

    response = client.post("/predict/", json=invalid_input)

    # FastAPI/Pydantic 自动处理验证错误
    # 期望 HTTP 422 (不可处理实体)
    assert response.status_code == 422 

    # 检查响应体是否包含验证错误详情
    response_data = response.json()
    assert "detail" in response_data
    # 如果需要，你可以对错误消息添加更具体的检查
    # 例如，assert "feature1" in str(response_data["detail"])

def test_make_prediction_missing_input_feature():
    """测试缺少输入数据的预测接口。"""
    # 发送缺少 'feature2' 的数据
    missing_input = {"feature1": 5.1} 

    response = client.post("/predict/", json=missing_input)

    # 期望 HTTP 422 (不可处理实体)
    assert response.status_code == 422

    response_data = response.json()
    assert "detail" in response_data
    # 例如，assert "feature2" in str(response_data["detail"]) 
    # 例如，assert "field required" in str(response_data["detail"])

运行测试： 在终端中导航到项目的根目录（your_project/），然后运行pytest：
```
pytest
```
Pytest 将发现并运行 tests 目录中的测试。你将看到指示测试通过或失败的输出。

这个实践练习展示了如何应用结构化原则，使用APIRouter来组织你的预测服务，以及如何使用TestClient编写有效的测试。这种方法大幅提高了可维护性，并确保你的API行为符合预期，即使在重构或添加新功能之后也是如此。随着你的应用规模扩大，这种分离和测试的价值会越来越大。

这部分内容有帮助吗？