使用Flask流式传输模拟ChatGPT实时响应
许多应用，例如模拟ChatGPT的实时聊天或大型文件下载，都需要边生成边传输数据，避免客户端长时间等待。本文演示如何在Python Flask框架中实现这种流式传输，并修正原代码中的缺陷。
原代码尝试使用yield实现流式传输，但由于response对象在generate()函数结束后才返回，浏览器必须等待所有数据生成完毕才能显示内容，与实时响应预期不符。
问题代码：
from time import sleep
from flask import Flask, Response, stream_with_context
app = Flask(__name__)
@app.route('/stream', methods=['GET'])
def stream():
def generate():
for i in range(1, 21):
print(i)
yield f'this is item {i}\n'
sleep(0.5)
return Response(generate(), mimetype='text/plain')
if __name__ == '__main__':
app.run(debug=True)
解决方法：正确使用Flask的stream_with_context装饰器。该装饰器确保每次yield都立即返回数据给客户端，实现真正的流式传输。改进后的代码：
from flask import stream_with_context, request, jsonify
@app.route('/stream')
def streamed_response():
def generate():
yield 'Hello '
yield request.args.get('name', 'World') # 使用get()避免KeyError
yield '!'
return jsonify({'message': list(stream_with_context(generate()))}) # 返回JSON格式
stream_with_context包裹了generate函数，使每次yield都立即发送数据。 示例中数据生成简单，实际应用中generate函数可能包含更复杂的逻辑（例如数据库查询或复杂计算），但stream_with_context的作用仍然是确保数据及时传输。 request.args.get('name', 'World')从请求参数获取数据，实现更灵活的流式传输，并使用get()方法处理缺失参数的情况，避免KeyError错误。 最后，使用jsonify将结果封装成JSON格式返回，更适合前端处理。
通过以上改进，可以有效模拟ChatGPT的实时响应效果。
以上就是Flask流式传输如何模拟ChatGPT的实时响应？的详细内容，更多请关注知识资源分享宝库其它相关文章！
发表评论:
◎欢迎参与讨论，请在这里发表您的看法、交流您的观点。