Перейти к содержимому
Учи.Онлайн Выбрать школу
Статья

FastAPI: с чего начать, что изучить и как практиковаться

FastAPI — фреймворк на Python для создания API, то есть программы, которая принимает HTTP-запросы от сайта, мобильного приложения или другого сервиса и возвращает данные в JSON. Вы пишете функцию для адреса вроде /forecast, описываете входные данные классом Pydantic, а фреймворк сам проверяет запрос, отклоняет неверный с понятной ошибкой и строит интерактивную документацию. Начинать стоит с уверенного Python, основ HTTP и аннотаций типов, затем осваивать зависимости, работу с базой, аутентификацию, тесты и запуск на сервере. Отдельно придётся понять, где async def ускоряет сервис, а где останавливает его.

Автор: редакция Учи.ОнлайнОтветственный редактор: Дмитрий Игнатьев
Содержание
Иллюстрация к статье: FastAPI: с чего начать, что изучить и как практиковаться

К FastAPI редко приходят с пустыми руками. У аналитика есть функция, которая считает прогноз, у ML-специалиста — обученная модель, у тестировщика — заглушка внешнего сервиса для стенда. Коллеги хотят обращаться к этому коду из своих программ. Фреймворк превращает функцию в адрес в сети за десяток строк. Сложности начинаются потом: как пускать только своих, где хранить данные и почему сервис, быстрый на одном запросе, тормозит на двадцати.

Какую задачу решает FastAPI и кому он нужен

FastAPI отвечает за одну часть работы: принять запрос, проверить его, вызвать ваш код и вернуть ответ. Страниц для посетителей, админки и встроенной работы с базой в нём нет. Зато контракт API сделан тщательно: по аннотациям типов фреймворк понимает, какие поля обязательны и в каких пределах, и по ним же строит описание в формате OpenAPI. На адресе /docs появляется страница Swagger UI, где коллега может отправить пробный запрос из браузера.

Навык пригодится аналитику и ML-специалисту, чтобы отдать расчёт или модель по API, фронтенд-разработчику, которому нужен небольшой бэкенд, тестировщику, который имитирует внешний сервис. Для Python-бэкендера это основной рабочий инструмент, о профессии на сайте есть отдельные статьи. Для сайта с формами и админкой удобнее Django, сервис на Flask ради моды переписывать незачем, а для расчёта раз в сутки хватит скрипта по расписанию.

Учебный пример: прогноз спроса по API

Ситуация учебная. Аналитик сети магазинов построил модель прогноза спроса, а разработчики складского приложения хотят запрашивать прогноз по артикулу на заданное число дней, причём только по ключу. Модель и настройки загружаются при старте приложения, в коде они опущены:

from fastapi import Depends, FastAPI, Header, HTTPException
from pydantic import BaseModel, Field

app = FastAPI()

class ForecastIn(BaseModel):
    sku: str = Field(min_length=6, max_length=12)
    days: int = Field(ge=1, le=90)

class ForecastOut(BaseModel):
    sku: str
    units: float

async def check_key(x_api_key: str = Header()):
    if x_api_key != settings.api_key:
        raise HTTPException(status_code=401)

@app.post("/forecast", response_model=ForecastOut,
          dependencies=[Depends(check_key)])
def forecast(req: ForecastIn):
    return {"sku": req.sku, "units": model.predict(req.sku, req.days)}

Если приложение пришлёт days: 120 или артикул из трёх символов, FastAPI вернёт код 422 и укажет, какое поле не прошло проверку, а функция прогноза даже не будет вызвана. Модель ответа не выпустит наружу лишнее служебное поле, а проверку ключа через Depends можно подключить к любому адресу и подменить в тестах. Обратите внимание: проверка объявлена через async def, а прогноз — через обычный def. Это не случайность.

async def или def: где асинхронность не ускоряет

Многие считают, что async def сам по себе делает сервис быстрее. Документация FastAPI о конкурентности описывает другое правило. Обработчик с обычным def фреймворк отправляет в отдельный пул потоков и ждёт результата, чтобы медленная функция не останавливала остальные запросы. Обработчик с async def выполняется прямо в цикле событий, который по очереди обслуживает все запросы процесса и на каждом await переключается на другой. Но если внутри async def стоит блокирующий вызов — requests.get, time.sleep, синхронный драйвер базы, тяжёлый расчёт модели, — цикл стоит, и ждут все.

Поэтому model.predict вызывается из def. Если «для скорости» переписать обработчик на async def, на одном запросе разницы не будет, а двадцать одновременных выстроятся в очередь. Документация советует: если библиотека не поддерживает await, пишите def, а если сомневаетесь — тоже. Коротким проверкам без ожидания, как check_key, лучше подходит async def: им незачем занимать поток. То же правило действует для зависимостей.

У пула потоков есть предел, о котором документация FastAPI прямо не говорит. Обычные функции запускает Starlette через runinthreadpool, а та вызывает anyio.to_thread.run_sync без своего ограничителя. По документации AnyIO, ограничитель по умолчанию — 40 потоков. Значит, в одном процессе одновременно работают не больше 40 синхронных обработчиков и зависимостей. Если def-обработчик две секунды ждёт ответа внешнего сервиса, процесс пропустит через него около 20 запросов в секунду. Выходы — асинхронный клиент вроде httpx.AsyncClient внутри async def, несколько процессов-воркеров или увеличенный лимит потоков с поправкой на память.

С чего начать и в каком порядке осваивать

FastAPI рассчитан на того, кто свободно пишет функции и классы, понимает аннотации типов и декораторы, знает, что такое HTTP-метод, код ответа и JSON. Порядок ниже выстроен так, чтобы каждый шаг опирался на предыдущий: сначала контракт API, видимый в /docs, потом асинхронность, без которой не понять работу с базой, и только затем вход пользователей, тесты и сервер.

  1. Маршруты, параметры запроса, модели Pydantic, коды ответов.
  2. Зависимости через Depends, включая зависимости с yield, и APIRouter.
  3. asyncio отдельно от фреймворка: корутины, await, блокирующие вызовы.
  4. SQLAlchemy 2.0 и миграции Alembic, затем асинхронный драйвер asyncpg.
  5. Аутентификация по схеме OAuth2 с паролем и токенами JWT.
  6. Тесты на pytest, затем Docker и запуск на сервере.

Третий пункт вместе с продвинутой частью языка закрывает онлайн-курс Merion Academy «Python Advanced»: четыре месяца видеоуроков и лабораторных, блоки об asyncio, аннотациях типов, pytest и SQLAlchemy, финальный проект — веб-приложение на FastAPI. Базовый Python нужен на входе, а проверки кода преподавателем нет.

Открыть курс «Python Advanced. Продвинутый курс»

База данных и вход пользователей: где ошибаются

С базой новички ошибаются в двух местах. Первое — синхронный драйвер внутри async def: запрос блокирует цикл событий так же, как time.sleep. Второе — одна сессия на всё приложение. Документация SQLAlchemy предупреждает, что один экземпляр AsyncSession нельзя использовать в нескольких одновременных задачах. Правильная схема — зависимость с yield, которая открывает сессию на один запрос и закрывает её после ответа. Там же советуют expire_on_commit=False и загрузку связанных объектов через selectinload.

С аутентификацией ошибки опаснее. Ключ подписи генерируют командой openssl rand -hex 32 и хранят в переменных окружения, а не в репозитории. Токен JWT подписан, но не зашифрован, поэтому персональные данные в него не кладут. В старых статьях встречаются python-jose и passlib, а текущий учебник использует PyJWT и pwdlib с алгоритмом Argon2.

Упражнения, тесты и проверка результата

Лучшее упражнение — обернуть в API свой расчёт и по очереди добавить ограничения полей, проверку ключа и сохранение запросов в базу. Каждый шаг заканчивайте тестом. TestClient построен на HTTPX, и по документации тесты пишутся обычными функциями pytest без await. Минимум для примера: корректный запрос, days: 0 (ждём 422) и запрос без ключа (ждём 401). Зависимости вроде проверки ключа подменяют через app.dependency_overrides. И проверьте правило об асинхронности сами: добавьте в обработчик time.sleep(1), отправьте полсотни одновременных запросов к версии с def и с async def и сравните время.

Когда отдельные упражнения получаются, нужен проект целиком. На курсе Skillbox «FastAPI» главный из трёх проектов — API интернет-магазина с базой, авторизацией по JWT, внешними сервисами, тестами и запуском в Docker. Программа не для новичков: на входе ждут уверенный Python, ООП, асинхронность, SQL и ORM. Программа включает 120 часов теории и 80 часов практики при сроке в один месяц, так что реальный график стоит уточнить у школы.

Открыть курс «Обучение FastAPI»

Запуск на сервере: Uvicorn, воркеры и Docker

Команда fastapi dev нужна для разработки, на сервере сервис запускают через fastapi run, внутри которой работает Uvicorn. Раньше стандартом был образ tiangolo/uvicorn-gunicorn-fastapi со связкой Gunicorn и Uvicorn, но документация по Docker называет его устаревшим: Uvicorn сам управляет процессами через --workers. В Kubernetes советуют один процесс на контейнер, а масштабирование оставить кластеру. Команду запуска пишут в exec-форме с квадратными скобками, иначе сервис не завершится корректно.

FastAPI до сих пор живёт в ветке 0.x: на PyPI последняя версия — 0.142.2 от 30 сентября 2026 года, она требует Python 3.10 и новее. По правилам проекта несовместимые изменения приходят в средней цифре версии, поэтому её фиксируют в зависимостях, например fastapi>=0.142.2,<0.143.0.

Как навык влияет на доход

Для бэкенд-разработчика FastAPI — часть стандартного набора, а не повод для надбавки. В калькуляторе зарплат Хабр Карьеры на начало октября 2026 года медиана бэкенд-разработчиков, указавших FastAPI, — 254 166 ₽ по 266 анкетам. Это все регионы и уровни, данные опроса за скользящие шесть месяцев по методике калькулятора, а не предложения в вакансиях. Это почти столько же, сколько у всех бэкенд-разработчиков с Python (259 166 ₽ по 1 004 анкетам): платят за базы данных, нагрузку и опыт.

По Data Scientist с навыком FastAPI калькулятор показывает «недостаточно данных». Для аналитика отдача другая: тот, кто сам выкладывает модель как сервис с тестами, не ждёт очереди у разработчиков и берёт задачи ближе к работе ML-инженера.

Как выбрать обучение

Перед оплатой проверьте, объясняют ли разницу между def и async def на примерах блокировки, есть ли тесты, миграции, разбор кода человеком и запуск на сервере.

Если FastAPI — часть пути в профессию с нуля, нужна длинная программа. Онлайн-курс TeachMeSkills «Python-разработчик» рассчитан на шесть с половиной месяцев и 212 академических часов: от основ языка через Flask и Django REST Framework к блоку асинхронности с asyncio, FastAPI и WebSockets, а затем к Docker и CI/CD. FastAPI здесь лишь один из фреймворков.

Тому, кто уже пишет на Python для работы, длинная программа избыточна: хватит блока об асинхронности и одного проекта с базой, тестами и Docker.

Сравнить школы по формату и поддержке можно в общем рейтинге онлайн-школ по бэкенд-разработке: он охватывает разные языки, поэтому программы с FastAPI придётся выбирать по описанию. А до оплаты проведите вечер с официальным учебником: если ваша функция отвечает на /docs и отклоняет неверный запрос с кодом 422, базы хватает.