【💊 Python的解憂錦囊 - FastAPI】使用 lifespan 來共享資料與管理生命週期
我們在「【🔒 Python API框架篇 - FastAPI】Ep.1 啟航」有分享 FastAPI 這套API框架， 那麼當我們想要在應用程式剛執行時就註冊一些事件或者共享GPU運算模型、變數…等，當整個應用程式關閉時也進行釋放作業， 這樣的一個週期循環就是所謂的生命週期， 而在FastAPI這套框架中也設計了生命週期的管理機制讓我們開發起來更加容易， 就讓我們來看看這是怎麼一回事吧！
使用情境
假設我們設計一個AI辨識引擎的API， 那麼我們總不希望每次的請求都重新載入模型之後才開始作業吧！ 這會非常的耗時， 使用者體驗也非常的糟糕， 我們應該是在程式啟動時就先載好模型， 之後都是等待使用者的請求之後立即就能夠進行作業， 就像是餐廳不可能當每位顧客點餐時才開始備料吧！ 這肯定會讓生意非常的糟糕， 千萬不要這樣啊～～～
先來了解一下 contextmanager
相信我們應該常常使用以下的程式碼來開啟文字檔吧…
with open('xxx.txt', 'w', encoding='utf-8') as f:
print(...)
它讓我們將釋放資源的作業變得更加簡單， 我們在 with 裡任意進行作業， 也不用特別的去關閉或者釋放檔案的資源， 因為當with裡的作業結束之後就會自動觸發close事件， 看到這裡， 您可能會困惑， 這跟 contextmanager 有啥關係？ 其實兩者觀念相似， 主要的目的都是為了省去我們釋放的程序， 一律自動管理， 避免人為疏失導致程式BUG。
那麼轉換到FastAPI呢？
在FastAPI裡面有個重要的功能， 那便是「@asynccontextmanager」， 透過它可以定義一個「lifespan」的函式， 定義好開始邏輯之後， 再透過 yield返回， 再定義結束的邏輯如下：
from contextlib import asynccontextmanager
from fastapi import FastAPI
def fake_answer_to_everything_ml_model(x: float):
return x * 42
ml_models = {}
@asynccontextmanager
async def lifespan(app: FastAPI):
# 載入ML模型
ml_models["answer_to_everything"] = fake_answer_to_everything_ml_model
yield
# 釋放資源
ml_models.clear()
app = FastAPI(lifespan=lifespan)
@app.get("/predict")
async def predict(x: float):
result = ml_models["answer_to_everything"](x)
return {"result": result}
那我們可以怎麼傳遞共享變數到router呢？
在FastAPI有個Sharing State可以幫助我們共享狀態， 詳細請參考「【Python 軍火庫🧨 - FastAPI】Sharing State讓路由共享資訊」， 透過共享物件的傳遞， 讓我們節省資源， 達到共用之效果。
結語
我們在設計一個應用程式時，需要做一個全面的考量，在哪些生命週期該做哪些事情這些都需要去思考，FastAPI 對於這些事情基本上支援的很全面，如果官方文件沒有提到，那可以去看他的底層 Starlette 這個框架的官方文件，通常可以獲得你想要的答案。
