fastapi/docs/zh/docs/advanced/settings.md

设置和环境变量

在许多情况下，你的应用可能需要一些外部设置或配置，例如密钥、数据库凭据、电子邮件服务的凭据等。

这些设置中的大多数是可变的（可能会改变），例如数据库 URL。并且很多可能是敏感的，比如密钥。

因此，通常会将它们提供为由应用程序读取的环境变量。

/// tip | 提示

要理解环境变量，你可以阅读环境变量{.internal-link target=_blank}。

///

类型和验证

这些环境变量只能处理文本字符串，因为它们在 Python 之外，并且必须与其他程序及系统的其余部分兼容（甚至与不同的操作系统，如 Linux、Windows、macOS）。

这意味着，在 Python 中从环境变量读取的任何值都是 str 类型，任何到不同类型的转换或任何验证都必须在代码中完成。

Pydantic 的 Settings

幸运的是，Pydantic 提供了一个很好的工具来处理来自环境变量的这些设置：Pydantic: Settings management。

安装 pydantic-settings

首先，确保你创建并激活了虚拟环境{.internal-link target=_blank}，然后安装 pydantic-settings 包：

$ pip install pydantic-settings
---> 100%

当你用以下方式安装 all 扩展时，它也会被一并安装：

$ pip install "fastapi[all]"
---> 100%

创建 Settings 对象

从 Pydantic 导入 BaseSettings 并创建一个子类，这与创建 Pydantic 模型非常相似。

与 Pydantic 模型一样，用类型注解声明类属性，也可以指定默认值。

你可以使用与 Pydantic 模型相同的验证功能和工具，例如不同的数据类型，以及使用 Field() 进行附加验证。

{* ../../docs_src/settings/tutorial001_py39.py hl[2,5:8,11] *}

/// tip | 提示

如果你想要一个可以快速复制粘贴的示例，请不要使用这个示例，使用下面最后一个示例。

///

当你创建该 Settings 类的实例（此处是 settings 对象）时，Pydantic 会以不区分大小写的方式读取环境变量，因此，大写变量 APP_NAME 仍会用于属性 app_name。

接着它会转换并验证数据。因此，当你使用该 settings 对象时，你将获得你声明的类型的数据（例如 items_per_user 将是 int）。

使用 settings

然后你可以在应用中使用新的 settings 对象：

{* ../../docs_src/settings/tutorial001_py39.py hl[18:20] *}

运行服务器

接下来，运行服务器，并把配置作为环境变量传入，例如你可以设置 ADMIN_EMAIL 和 APP_NAME：

$ ADMIN_EMAIL="deadpool@example.com" APP_NAME="ChimichangApp" fastapi run main.py

<span style="color: green;">INFO</span>:     Uvicorn running on http://127.0.0.1:8000 (Press CTRL+C to quit)

/// tip | 提示

要为单个命令设置多个环境变量，只需用空格分隔它们，并把它们都放在命令前面。

///

然后，admin_email 设置将为 "deadpool@example.com"。

app_name 将为 "ChimichangApp"。

而 items_per_user 会保持默认值 50。

在另一个模块中放置设置

你可以把这些设置放在另一个模块文件中，就像你在Bigger Applications - Multiple Files{.internal-link target=_blank}中看到的那样。

例如，可以有一个 config.py 文件：

{* ../../docs_src/settings/app01_py39/config.py *}

然后在 main.py 文件中使用它：

{* ../../docs_src/settings/app01_py39/main.py hl[3,11:13] *}

/// tip | 提示

你还需要一个 __init__.py 文件，就像你在Bigger Applications - Multiple Files{.internal-link target=_blank}中看到的那样。

///

在依赖项中提供设置

在某些情况下，从依赖项中提供设置可能更有用，而不是在所有地方都使用一个全局的 settings 对象。

这在测试期间尤其有用，因为可以很容易地用你自己的自定义设置覆盖依赖项。

配置文件

延续上一个示例，你的 config.py 文件可能如下所示：

{* ../../docs_src/settings/app02_an_py39/config.py hl[10] *}

注意，现在我们不再创建默认实例 settings = Settings()。

主应用文件

现在我们创建一个依赖项，返回一个新的 config.Settings()。

{* ../../docs_src/settings/app02_an_py39/main.py hl[6,12:13] *}

/// tip | 提示

我们稍后会讨论 @lru_cache。

目前你可以把 get_settings() 当作普通函数。

///

然后我们可以在“路径操作函数”中将其作为依赖项引入，并在需要的任何地方使用它。

{* ../../docs_src/settings/app02_an_py39/main.py hl[17,19:21] *}

设置与测试

接着，在测试期间，通过为 get_settings 创建依赖项覆盖，就可以很容易地提供一个不同的设置对象：

{* ../../docs_src/settings/app02_an_py39/test_main.py hl[9:10,13,21] *}

在依赖项覆盖中，我们在创建新的 Settings 对象时为 admin_email 设置了一个新值，然后返回该新对象。

然后我们可以测试它是否被使用。

读取 .env 文件

如果你有许多设置可能经常变化，或在不同环境中不同，那么把它们放进一个文件中，然后像环境变量一样从中读取，可能非常有用。

这种做法非常常见：这些环境变量通常放在名为 .env 的文件中，该文件被称为 “dotenv”。

/// tip | 提示

以点（.）开头的文件在类 Unix 系统（如 Linux 和 macOS）中是隐藏文件。

但 dotenv 文件并不一定必须是这个确切的文件名。

///

Pydantic 支持使用一个外部库来从这类文件中读取。你可以在 Pydantic Settings: Dotenv (.env) support 中阅读更多信息。

/// tip | 提示

要使其工作，你需要执行 pip install python-dotenv。

///

.env 文件

你可以有一个 .env 文件，内容如下：

ADMIN_EMAIL="deadpool@example.com"
APP_NAME="ChimichangApp"

从 .env 中读取设置

然后更新 config.py：

{* ../../docs_src/settings/app03_an_py39/config.py hl[9] *}

/// tip | 提示

model_config 属性仅用于 Pydantic 配置。你可以在 Pydantic: Concepts: Configuration 中阅读更多信息。

///

这里我们在你的 Pydantic Settings 类中定义配置项 env_file，并将其设置为我们想要使用的 dotenv 文件名。

使用 lru_cache 仅创建一次 Settings

从磁盘读取文件通常是一个代价较高（缓慢）的操作，所以你可能希望只在第一次读取，然后复用同一个设置对象，而不是为每个请求都重新读取。

但是，每次我们执行：

Settings()

都会创建一个新的 Settings 对象，并且在创建时会再次读取 .env 文件。

如果依赖项函数是这样的：

def get_settings():
    return Settings()

我们就会为每个请求创建该对象，并为每个请求读取 .env 文件。 ⚠️

但由于我们在顶部使用了 @lru_cache 装饰器，Settings 对象只会在第一次调用时创建一次。 ✔️

{* ../../docs_src/settings/app03_an_py39/main.py hl[1,11] *}

接着，对于后续请求中依赖项里对 get_settings() 的任何调用，它不会再次执行 get_settings() 的内部代码并创建新的 Settings 对象，而是会一遍又一遍地返回第一次调用时返回的那个相同对象。

lru_cache 技术细节

@lru_cache 会修改它所装饰的函数，使其返回第一次返回的相同值，而不是每次都重新计算并执行函数代码。

因此，下面的函数会针对每个参数组合执行一次。然后，当以完全相同的参数组合调用该函数时，将重复使用该参数组合先前返回的值。

例如，如果你有一个函数：

@lru_cache
def say_hi(name: str, salutation: str = "Ms."):
    return f"Hello {salutation} {name}"

你的程序可能会像这样执行：

sequenceDiagram

participant code as Code
participant function as say_hi()
participant execute as Execute function

    rect rgba(0, 255, 0, .1)
        code ->> function: say_hi(name="Camila")
        function ->> execute: 执行函数代码
        execute ->> code: 返回结果
    end

    rect rgba(0, 255, 255, .1)
        code ->> function: say_hi(name="Camila")
        function ->> code: 返回存储的结果
    end

    rect rgba(0, 255, 0, .1)
        code ->> function: say_hi(name="Rick")
        function ->> execute: 执行函数代码
        execute ->> code: 返回结果
    end

    rect rgba(0, 255, 0, .1)
        code ->> function: say_hi(name="Rick", salutation="Mr.")
        function ->> execute: 执行函数代码
        execute ->> code: 返回结果
    end

    rect rgba(0, 255, 255, .1)
        code ->> function: say_hi(name="Rick")
        function ->> code: 返回存储的结果
    end

    rect rgba(0, 255, 255, .1)
        code ->> function: say_hi(name="Camila")
        function ->> code: 返回存储的结果
    end

在我们的依赖项 get_settings() 的情况下，该函数甚至不接受任何参数，因此它始终返回相同的值。

这样，它的行为几乎就像是一个全局变量。但由于它使用了依赖项函数，我们可以在测试时很容易地覆盖它。

@lru_cache 是 functools 的一部分，它属于 Python 标准库。你可以在 Python 文档中关于 @lru_cache 的章节阅读更多信息。

小结

你可以使用 Pydantic Settings 来处理应用的设置或配置，享受 Pydantic 模型的全部能力。

• 通过使用依赖项，你可以简化测试。
• 你可以与它一起使用 .env 文件。
• 使用 @lru_cache 可以避免为每个请求反复读取 dotenv 文件，同时允许你在测试时进行覆盖。