皮皮网

1.在flask中使用jsonify和json.dumps的区别
2.Flask 源码剖析 (六)：响应是项项目下载怎么实现的
3.关于flask的jsonify与json.dumps的一些追溯和思考

在flask中使用jsonify和json.dumps的区别

       1.Content-Type有区别

       jsonify的作用实际上就是将我们传入的json形式数据序列化成为json字符串，作为响应的body，并且设置响应的Content-Type为application/json，构造出响应返回至客户端。jsonify的部分源码如下：

       def jsonify(*args, **kwargs):

       if __debug__:

       _assert_have_json()

       return current_app.response_class(json.dumps(dict(*args, **kwargs),

       indent=None if request.is_xhr else 2), mimetype='application/json')

       å¯ä»¥çœ‹å‡ºjsonify实际上也是使用了json.dumps来序列化json形式的数据，作为响应正文返回。indent表示json格式化的缩进，若是Ajax请求则不缩进（因为一般Ajax数据没必要直接展示），否则缩进2格。但想必从第一部分的实验结果我们已经看出来了，使用jsonify时响应的Content-Type字段值为application/json，而使用json.dumps时该字段值为text/html。Content-Type决定了接收数据的一方如何看待数据，如何处理数据，如果是application/json，则可以直接当做json对象处理，若是text/html，则还要将文本对象转化为json对象再做处理（个人理解，有误请指正）。

       2.接受参数有区别

       jsonify可以接受和python中的dict构造器同样的参数，如下图。

       è€Œjson.dumps比jsonify可以多接受list类型和一些其他类型的参数。但我试了一下，形式为key1=value1，[key2=value2,...]这样的参数是不行的，会报出“TypeError: dumps() takes exactly 1 argument (0 given)”这一错误，而jsonify不会报错并能正常返回数据。

       æœ€åŽï¼Œæˆ‘们可以使用flask中的make_response方法或者直接通过Response类，通过设置mimetype参数来达到和使用jsonify差不多的效果，但少写点代码何乐而不为呢？况且简洁一点更不容易出错，参数越多调试和维护就越麻烦。当然，使用哪个并不是绝对的，必要时要根据前端的数据处理方式来决定。

Flask 源码剖析 (六)：响应是怎么实现的

       Flask 源码剖析 (六)：深入理解响应生成机制

       在 Flask 框架中，视图函数返回的目源码值默认会被作为 Response 传递给客户端，这一过程对用户来说通常是源码透明的。当调用一个视图函数，项项目下载如下面的目源码简单示例：

       python

       def hello():

        return http_status, body, header

       实际上，这个 tuple 会在多个步骤中被转化为一个完整的源码开服网源码 Response。首先，项项目下载fulldispatchrequest 方法会找到并调用相应的目源码方法，然后通过 finalize_request 方法处理返回值，源码这个过程涉及 makeresponse 和 process_response 等关键函数。项项目下载

       makeresponse 方法是目源码构建 Response 的核心，它接收视图函数的源码返回值并根据不同情况进行处理，最终通过 responseclass 将其转化为 Response 对象。项项目下载werkzeug 库的目源码 Response 类在此过程中起到基础作用，Flask 自己的源码编程猫源码画卷有几个角色 Response 类则继承了 werkzeug 的 Response，并通过 Mixin 机制将具体逻辑封装在 BaseResponse 中。

       Headers 类是 Response 的重要组成部分，它以有序列表的形式存储 header，确保了 header 的顺序和处理多个相同 key 的值。用户可以直接通过 get() 方法访问 header，这个方法实际上是在内部列表中查找对应 key 的值。

       总的神龙一绝指标公式源码来说，Flask 的响应生成是通过一系列精心设计的类和方法进行的，它们保证了响应的结构化和灵活性。如果你想自定义 Response，只需继承 Flask 的 Response 类即可。本文对响应生成机制的剖析，希望能帮助你更好地理解 Flask 的工作原理。

关于flask的易企秀源码V22jsonify与json.dumps的一些追溯和思考

       有一天，我遇到了一个服务器报警问题，追踪错误栈时，发现是由于在使用 Flask 的 jsonify 函数时传入的字典中混入了 string 和 int 类型的键导致的。修改数据后，我开始思考这一设计背后的逻辑以及为何会如此设定。源码追溯路径指向 JSONDecoder、flask.json.__init__.py 及 _dump_arg_defaults。三维通道主图源码分析这部分源码，我发现项目使用的是继承自 Flask 的 JSONDecoder，稍作修改以兼容如 bson.ObjectId 和 datetime 等数据类型，其主体基于标准库中的 JSONEncoder。

       进一步深入 JSONEncoder 的源码，我发现 sort_keys 的使用在 JSONEncoder._iterencode_dict 中。此时，我开始思考是否可以修改为始终使用默认的 False，以确保 key 为纯字符串。然而，官方为何没有选择这一方案？我开始在 GitHub 上寻找答案，最终在 issue 中找到了线索。在 Python 2 中确实如我所想，但在 Python 3 中，设计发生了改变。大佬们解释了背后的理由。

       深入思考后，我倾向于支持 Python 3 的设计选择。首先，明确数据处理逻辑（如是否排序）是至关重要的。这里，我认为 Flask 的默认设置为 False 是个错误，应该与标准库保持一致。其次，确保数据类型的一致性是动态语言的局限性之一，这也是我越来越偏爱 Go 的原因。

       从工作角度来看，我得出以下思考：永远不要依赖传入的数据，务必进行验证，尤其是在关键业务中。这不仅是对 Flask 设计的反思，也是对编程实践的提醒，强调了数据验证和明确数据处理逻辑的重要性。