В чем разница между FastAPI и Flask?

FastAPI vs Flask: сравнение фреймворков

Оба популярны в Data Science для создания API. Но это разные инструменты с разными целями. Разберу их на примерах.

Flask: минимализм и гибкость

Flask — лёгкий микрофреймворк (2004 г.). Минимум функционала, максимум свободы.

from flask import Flask, request, jsonify
from sklearn.ensemble import RandomForestClassifier
import pickle

app = Flask(__name__)

# Загрузим модель
with open('model.pkl', 'rb') as f:
    model = pickle.load(f)

@app.route('/predict', methods=['POST'])
def predict():
    data = request.get_json()
    features = [data['age'], data['income'], data['credit_score']]
    
    prediction = model.predict([features])[0]
    probability = model.predict_proba([features])[0]
    
    return jsonify({
        'prediction': int(prediction),
        'probability': float(probability[1])
    })

if __name__ == '__main__':
    app.run(debug=True, port=5000)

Особенности Flask:

• Простой синтаксис
• Полная контроль над кодом
• Нужно самому добавлять валидацию, документацию, асинхронность
• Медленнее обрабатывает параллельные запросы
• Популярен в production, но требует доп. инструментов

FastAPI: современность и скорость

FastAPI — новый фреймворк (2018 г.) на Starlette, работает на асинхронности.

from fastapi import FastAPI
from pydantic import BaseModel
from sklearn.ensemble import RandomForestClassifier
import pickle

app = FastAPI(title="ML API", version="1.0")

# Загрузим модель
with open('model.pkl', 'rb') as f:
    model = pickle.load(f)

# Pydantic модель для валидации (БОЛЬШОЕ ПРЕИМУЩЕСТВО!)
class PredictRequest(BaseModel):
    age: int  # auto-validation
    income: float
    credit_score: int
    
    class Config:
        example = {
            "age": 35,
            "income": 50000.0,
            "credit_score": 750
        }

class PredictResponse(BaseModel):
    prediction: int
    probability: float

@app.post("/predict", response_model=PredictResponse)
async def predict(request: PredictRequest):
    """Предсказание на основе входных признаков"""
    features = [request.age, request.income, request.credit_score]
    
    prediction = model.predict([features])[0]
    probability = model.predict_proba([features])[0]
    
    return PredictResponse(
        prediction=int(prediction),
        probability=float(probability[1])
    )

# Automatic Swagger документация на /docs!
# JSON Schema на /openapi.json

Особенности FastAPI:

• Встроенная валидация (Pydantic)
• Автоматическая документация (Swagger UI)
• Асинхронность из коробки
• Type hints везде (IDE подсказки)
• Быстрее в обработке запросов
• Легче масштабировать

Сравнительная таблица

Бенчмарк: скорость

# Тест: 10 000 запросов
# Flask:   ~2.5 сек (sync)
# FastAPI: ~1.2 сек (async)

FastAPI быстрее благодаря асинхронной обработке нескольких запросов параллельно.

Flask с асинхронностью

# Flask может работать асинхронно, но это не естественно
from flask import Flask
import asyncio

app = Flask(__name__)

@app.route('/predict')
async def predict():  # Flask 2.0+ поддерживает async
    # Но это странно выглядит, не рекомендуется
    await asyncio.sleep(0.1)
    return {'prediction': 1}

Выбор инструмента

Используй Flask если:

• Простой API с небольшим количеством endpoint'ов
• Нужна максимальная гибкость
• Работаешь с legacy кодом
• Не нужна асинхронность

# Flask идеален для простого ML API
from flask import Flask
app = Flask(__name__)

@app.route('/hello')
def hello():
    return {'message': 'Hello, World!'}

Используй FastAPI если:

• Нужна высокая производительность
• Важна качественная документация
• Много параллельных запросов
• Работаешь с async-операциями (DB запросы, внешние API)
• Нужна строгая валидация данных

# FastAPI идеален для production ML систем
from fastapi import FastAPI

app = FastAPI()

@app.get("/hello")
async def hello():
    return {"message": "Hello, World!"}

Мой опыт

FastAPI выбираю для новых проектов в 95% случаев, потому что:

1. Валидация автоматическая — меньше ошибок
2. Документация вкладывается — не нужно писать вручную
3. Асинхронность — масштабируется лучше
4. Type hints — меньше ошибок при рефакторинге
5. Performance — заметно быстрее для нескольких одновременных запросов

Флеск уходит в историю, но остаётся для legacy систем и очень простых API.