我要评论
使用flask框架构建类似chatgpt的流式文本传输应用
许多开发者希望利用flask框架创建类似chatgpt的应用，实现文本内容的实时生成和传输。然而，flask的response对象并非为这种场景设计，它会在生成器函数完全执行后才开始返回数据。本文将介绍如何使用flask的stream_with_context函数解决此问题，并分析其工作原理。
问题示例：
以下代码片段演示了使用普通response对象时遇到的问题：
from time import sleep
from flask import flask, response
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)登录后复制
此代码中，response对象会在generate()函数完全执行完毕后才开始返回数据，无法实现流式传输的效果。
正确实现：
为了实现真正的实时数据传输，我们需要使用stream_with_context函数：
from flask import stream_with_context, request, response
@app.route('/stream')
def streamed_response():
def generate():
yield 'hello '
yield request.args['name']
yield '!'
return response(stream_with_context(generate()), mimetype='text/plain')登录后复制
stream_with_context装饰器确保每次迭代生成的数据都会立即发送给客户端，而不是等待所有数据生成完毕。 request.args['name']展示了如何从请求参数中获取数据并将其整合到流式响应中，实现了动态内容生成和实时反馈，从而模拟chatgpt的实时交互效果，显著提升用户体验。
通过以上方法，我们可以构建更具响应性的应用，提供更流畅的用户体验。
以上就是flask框架下如何实现chatgpt式的流式文本传输？的详细内容，更多请关注代码网其它相关文章！
![Flask-SQLAlchemy多数据库环境下：如何理解db.metadatas["auth"].tables["user"]？](https://images1.3wcode.com/3wcode/20250329/s_0_202503292221562695.jpg)
![Flask-SQLAlchemy中db.metadatas["auth"].tables["user"]究竟是什么意思？](https://images1.3wcode.com/3wcode/20250329/s_0_202503292220035310.jpg)
发表评论