web应用程序有哪些 web应用程序开发 python web实例教程

本教程旨在解决在python web应用中集成交互式地图与后端计算逻辑的挑战。我们将探讨为何直接结合`folium`与基于`input()`的python函数难以实现复杂的web交互，并提供两种主要解决方案：一是利用streamlit或gradio等python-only ui框架快速构建原型，二是采用flask/fastapi作为后端与javascript前端（如leaflet.js）构建功能完善的web应用。文章将详细阐述各方案的实现思路、示例代码及关键注意事项，帮助开发者实现地图点击触发后端计算并获取用户输入的需求。

在Web应用开发中，将前端的用户交互（如地图点击）与后端的业务逻辑（如计算器）紧密结合是一个常见需求。然而，直接将Python的folium库生成的静态HTML地图与包含input()函数进行用户输入的Python脚本结合，在Web环境中是行不通的。

folium的局限性： folium是一个强大的Python库，用于生成基于Leaflet.js的交互式地图HTML文件。它主要侧重于地图数据的可视化，并允许通过Popup添加静态或简单的动态内容。然而，folium本身并不提供与Python后端进行实时、复杂交互的机制，例如在点击地图区域后直接在Python后端触发一个需要用户输入的操作。它生成的HTML是客户端页面，其上的JavaScript代码默认无法直接调用服务器端的Python函数。

input()函数的局限性： Python的input()函数用于从控制台获取用户输入，它是一个阻塞式操作，仅适用于命令行环境。在Web应用中，用户输入是通过浏览器界面（HTML表单、JavaScript提示框等）进行的，而不是通过服务器的控制台。因此，将包含input()的Python函数直接用于Web后端处理用户请求是不合适的。

为了实现地图点击触发后端计算并获取用户输入的目标，我们需要采用更适合Web应用开发的架构和工具。以下是两种主要的方法：

立即学习“Python免费学习笔记（深入）”；

对于需要快速原型开发或偏好纯Python环境的场景，Streamlit和Gradio等框架提供了极佳的解决方案。它们抽象了Web开发的复杂性，让开发者能用纯Python代码构建交互式Web应用。

Streamlit是一个用于创建数据应用的开源框架。它提供了一系列组件，包括地图、输入框、按钮等，可以轻松地将数据科学模型和交互式界面结合起来。

实现思路：

示例代码（概念性）：

import streamlit as stimport pandas as pdimport geopandas as gpdimport pulp # 假设 lp 函数已修改为接受参数# 假设 consts 函数已修改为接受 district_name 并返回 A, B, Cdef consts(district_name):    # 模拟从Excel读取数据    data = {        "District A": {"A": 10, "B": 20, "C": 30},        "District B": {"A": 15, "B": 25, "C": 35},        # ... 更多地区数据    }    return data.get(district_name, {"A": 0, "B": 0, "C": 0})def lp_solver(district_name, demand, investment):    # 原始 lp 函数的修改版本，不再使用 input()    import pulp    model = pulp.LpProblem(name="Lp", sense=pulp.const.LpMinimize)    # 获取地区常数    district_consts = consts(district_name)    A = float(district_consts.get("A"))    B = float(district_consts.get("B"))    C = float(district_consts.get("C"))    x_1 = pulp.LpVariable(name="x_1", lowBound=0)    x_2 = pulp.LpVariable(name="x_2", lowBound=0)    x_3 = pulp.LpVariable(name="x_3", lowBound=0)    obj_func = 41*x_1 + 11*x_2 + 24*x_3    model += obj_func    model += (x_1 + x_2 + x_3 >= demand)    model += (A*x_1 + B*x_2 + C*x_3 <= investment)    status = model.solve()    results = {}    if status == pulp.LpStatusOptimal:        for var in model.variables():            results[var.name] = var.value()    else:        results["status"] = pulp.LpStatus[status]    return resultsst.title("莫桑比克地区投资优化器")# 加载地理数据 (Streamlit的st.map可能需要DataFrame，或者使用st.pydeck_chart)# 这里假设我们有一个包含地区名称和坐标的DataFrame# 实际应用中，你需要将GeoDataFrame转换为适合Streamlit地图组件的格式# 例如，如果使用st.map，需要有'lat'和'lon'列# df_districts = pd.DataFrame({#     'district': ['District A', 'District B'],#     'lat': [-18.6, -19.0],#     'lon': [35.5, 36.0]# })# st.map(df_districts)# 或者，更常见的是使用下拉选择框来模拟地图点击选择地区# 假设你从GeoDataFrame中提取了地区列表# folder_path = r'D:\Trabalho de Licenciatura\New folder\Python\Moz Geo Data\Distritos'# shapefile_path = folder_path + "\Distritos.shp"# districts_gdf = gpd.read_file(shapefile_path)# district_names = districts_gdf['ADM2_PT'].tolist() # 假设 'ADM2_PT' 是地区名称district_names = ["District A", "District B", "District C"] # 示例地区名称selected_district = st.selectbox("选择一个地区:", district_names)st.subheader(f"为 {selected_district} 输入参数:")demand = st.number_input("输入需求 (Demand):", min_value=0.0, value=100.0)investment = st.number_input("输入投资 (Investment):", min_value=0.0, value=500.0)if st.button("运行优化"):    if selected_district:        with st.spinner('正在计算...'):            results = lp_solver(selected_district, demand, investment)            st.success("计算完成！")            st.write("### 优化结果:")            for var_name, value in results.items():                st.write(f"{var_name}: {value:.2f}")    else:        st.warning("请先选择一个地区。")

优点：

缺点：

AI应用商店，提供即时交付、按需付费的人工智能应用服务

Gradio是另一个用于快速构建机器学习模型Web界面的Python库。它也支持各种输入和输出组件，包括图像、文本和数字。

实现思路：与Streamlit类似，Gradio也提供组件来构建界面。它有一个gr.Plot组件可以用于展示地图，但更常见的用法是结合下拉框或文本输入来选择地区，然后获取用户输入。

示例代码（概念性）：

import gradio as grimport pulp# 假设 consts 函数已修改def consts(district_name):    data = {        "District A": {"A": 10, "B": 20, "C": 30},        "District B": {"A": 15, "B": 25, "C": 35},    }    return data.get(district_name, {"A": 0, "B": 0, "C": 0})def lp_solver_gradio(district_name, demand, investment):    # 原始 lp 函数的修改版本    import pulp    model = pulp.LpProblem(name="Lp", sense=pulp.const.LpMinimize)    district_consts = consts(district_name)    A = float(district_consts.get("A"))    B = float(district_consts.get("B"))    C = float(district_consts.get("C"))    x_1 = pulp.LpVariable(name="x_1", lowBound=0)    x_2 = pulp.LpVariable(name="x_2", lowBound=0)    x_3 = pulp.LpVariable(name="x_3", lowBound=0)    obj_func = 41*x_1 + 11*x_2 + 24*x_3    model += obj_func    model += (x_1 + x_2 + x_3 >= demand)    model += (A*x_1 + B*x_2 + C*x_3 <= investment)    status = model.solve()    output_str = ""    if status == pulp.LpStatusOptimal:        output_str += "### 优化结果:\n"        for var in model.variables():            output_str += f"{var.name}: {var.value():.2f}\n"    else:        output_str += f"优化状态: {pulp.LpStatus[status]}\n"    return output_str# 假设你从GeoDataFrame中提取了地区列表district_names = ["District A", "District B", "District C"]iface = gr.Interface(    fn=lp_solver_gradio,    inputs=[        gr.Dropdown(district_names, label="选择地区"),        gr.Number(label="需求 (Demand)", value=100.0),        gr.Number(label="投资 (Investment)", value=500.0)    ],    outputs="markdown", # 输出为Markdown格式    title="莫桑比克地区投资优化器 (Gradio)",    description="选择一个地区并输入需求和投资，然后运行线性规划优化。")iface.launch()

优点：

缺点：

如果需要高度定制化的界面、更复杂的交互逻辑或生产级的Web应用，推荐使用传统的Web应用架构：Python后端框架（如Flask或FastAPI）处理业务逻辑和数据，配合JavaScript前端框架（如React、Vue、Angular）或纯JavaScript/HTML/CSS处理用户界面和交互。

Flask和FastAPI是轻量级的Python Web框架，用于构建API服务和Web应用。它们负责接收前端请求、执行Python业务逻辑、与数据库交互，并返回数据给前端。

核心思想：

lp和consts函数的改造：这两个函数需要修改为接受参数而不是使用input()。

# consts 函数改造import openpyxldef get_district_constants(district_name):    values = {}    # 假设 Excel 文件路径固定    book = openpyxl.load_workbook(r"D:\Trabalho de Licenciatura\New folder\Python\WebApp\Dados_py.xlsx")    worksheet = book["Dados"]    for row in worksheet.iter_rows(min_row=1, values_only=True):        if row[0] == district_name:            values = {                "A": float(row[1]), # 确保转换为浮点数                "B": float(row[2]),                "C": float(row[3])            }            break # 找到即停止    return values# lp 函数改造import pulpdef solve_lp(district_name, demand, investment):    model = pulp.LpProblem(name="Lp", sense=pulp.const.LpMinimize)    constants = get_district_constants(district_name)    if not constants:        return {"error": f"District '{district_name}' not found or constants missing."}    A = constants["A"]    B = constants["B"]    C = constants["C"]    x_1 = pulp.LpVariable(name="x_1", lowBound=0)    x_2 = pulp.LpVariable(name="x_2", lowBound=0)    x_3 = pulp.LpVariable(name="x_3", lowBound=0)    obj_func = 41*x_1 + 11*x_2 + 24*x_3    model += obj_func    model += (x_1 + x_2 + x_3 >= demand)    model += (A*x_1 + B*x_2 + C*x_3 <= investment)    status = model.solve()    results = {"status": pulp.LpStatus[status]}    if status == pulp.LpStatusOptimal:        for var in model.variables():            results[var.name] = var.value()    return results

Flask后端示例：

from flask import Flask, request, jsonify, render_templatefrom flask_cors import CORS # 处理跨域请求app = Flask(__name__)CORS(app) # 允许所有来源的跨域请求，生产环境请限制# 假设 get_district_constants 和 solve_lp 函数已定义在同一文件或导入# from .your_module import get_district_constants, solve_lp @app.route('/')def index():    # 返回一个包含地图和表单的HTML页面    # 可以在这里生成 folium 地图并嵌入到模板中    # 或者直接加载一个预先生成的 folium HTML 文件    # map_html = create_map_html() # 假设 create_map_html() 返回 folium 生成的HTML字符串    # return render_template('index.html', map_content=map_html)    return render_template('index.html') # 假设 index.html 包含一个 div 用于加载地图@app.route('/calculate', methods=['POST'])def calculate():    data = request.get_json() # 获取前端发送的JSON数据    district = data.get('district')    demand = data.get('demand')    investment = data.get('investment')    if not all([district, demand is not None, investment is not None]):        return jsonify({"error": "Missing parameters"}), 400    try:        demand = float(demand)        investment = float(investment)        result = solve_lp(district, demand, investment)        return jsonify(result)    except ValueError:        return jsonify({"error": "Invalid demand or investment values"}), 400    except Exception as e:        return jsonify({"error": str(e)}), 500if __name__ == '__main__':    app.run(debug=True)

templates/index.html 示例：

<!DOCTYPE html><html><head>    <title>莫桑比克地图优化器</title>    <link rel="stylesheet" href="https://unpkg.com/leaflet@1.7.1/dist/leaflet.css" />    <script src="https://unpkg.com/leaflet@1.7.1/dist/leaflet.js"></script>    <style>        #map { height: 600px; width: 100%; }        .popup-content { font-family: sans-serif; }        .input-form { margin-top: 20px; padding: 15px; border: 1px solid #ccc; border-radius: 5px; }        .result-display { margin-top: 20px; padding: 15px; border: 1px solid #eee; background-color: #f9f9f9; border-radius: 5px; }    </style></head><body>    <h1>莫桑比克地区投资优化</h1>    <div id="map"></div>    <div class="input-form" id="inputForm" style="display: none;">        <h2>为 <span id="selectedDistrictName"></span> 地区输入参数</h2>        <label for="demand">需求 (Demand):</label>        <input type="number" id="demand" value="100" step="0.1"><br><br>        <label for="investment">投资 (Investment):</label>        <input type="number" id="investment" value="500" step="0.1"><br><br>        <button onclick="submitCalculation()">运行优化</button>    </div>    <div class="result-display" id="resultDisplay" style="display

以上就是Python Web应用中交互式地图与后端业务逻辑的集成指南的详细内容，更多请关注乐哥常识网其它相关文章！