背景

在我们组队参加比赛时，一项免不了的工作就是完成与前后端同学的交接。

对于本题，我们设想以下最简单的一种情况：后端同学向我们发送请求（包含传输的文件以及相应的文件参数等信息），我们需要顺利接受后端同学发送的文件，并根据相应的参数等信息选择我们的代码工作模式，最终成功将网络输出结果再发送回后端同学。

一个Web应用的本质就是：

浏览器发送一个HTTP请求；

服务器收到请求，生成一个HTML文档；

服务器把HTML文档作为HTTP响应的Body发送给浏览器；

浏览器收到HTTP响应，从HTTP Body取出HTML文档并显示。

所以，最简单的Web应用就是先把HTML用文件保存好，用一个现成的HTTP服务器软件，接收用户请求，从文件中读取HTML，返回。Apache、Nginx、Lighttpd等这些常见的静态服务器就是干这件事情的。

如果要动态生成HTML，就需要把上述步骤自己来实现。不过，接受HTTP请求、解析HTTP请求、发送HTTP响应都是苦力活，如果我们自己来写这些底层代码，还没开始写动态HTML呢，就得花个把月去读HTTP规范。

正确的做法是底层代码由专门的服务器软件实现，我们用Python专注于生成HTML文档。因为我们不希望接触到TCP连接、HTTP原始请求和响应格式，所以，需要一个统一的接口，让我们专心用Python编写Web业务。

这个接口就是WSGI：Web Server Gateway Interface。

以上内容转载自廖雪峰的博客

任务要求

• 了解Flask框架（不需要完全掌握，只需能构建出最简单的一种WSGI应用）

• 了解并简单学习json数据格式

• 在本地服务器的8080端口处开启一个receive_file路由

• 控制我们的receive_file路由能够接受后端同学向我们发送的POST请求

• 了解并区分表单数据（form data）与头部（headers）数据的差异、二者应用场景的差异、二者的特征差异···

• 学习如何使用Flask在服务器端读取表单数据与头部数据

• 下载并学习apifox软件的基本用法，学会使用apifox发送模拟请求的操作，并学会如何使用apifox发送不同的表单数据信息

• 我们规定，在后端同学发送的POST请求中，主要数据均储存在表单数据中。

• 以下是我们对处理POST请求的基本要求

  基础要求：

  • POST请求的表单数据中包含一个名为Operation的键，其值可以为：sum（相加）、multiply（相乘）、subtract（相减） 、divide（相除）
  • POST请求的表单数据中还分别包含一个名为Data_A与名为Data_B的两个键，两个键的值A与B分别代表操作数的值，这两个值可以在apifox中由用户自己定义，跟随Operation键一同包含在POST请求中发送至服务器
  • 服务器接受请求后，读取三个键的值，并执行相应操作 （假如Operation的值为sum，则调用本地的另一个py程序计算A+B的值result，然后以json格式{"Result" : result}将得出的结果返回给apifox）

进阶要求

（建议在完成后续题目后再来完善该题）

Ⅰ

在进阶要求中，我们需要调用一个我们训练好的神经网络，下文中提到的file类型根据各位选取的神经网络类型而自行决定

• POST请求的表单数据中包含一个文件file（以图片为例），并且还有代表对图像进行操作的键值对（可选）
• 读取传入的file，调用神经网络模型，将file输入模型中，完成预测，最终将结果以json的格式回传给Apifox

Ⅱ（慎选）

对于学有余力的同学，在完成进阶要求Ⅰ后，请尝试将神经网络部署到云服务器（Windows或Linux均可）上（此处推荐阿里云，可以使用学生认证领取三个月的免费服务器）

然后在云服务器上打开我们的WSGI应用，从本地电脑的Apifox上完成POST请求的发送与接收。

在完成本任务的过程中你们可能会遇到包括但不仅限于以下的问题：

• 云服务器性能过低，反应过慢
• 在服务器上从零开始配环境十分耗时
• 为什么在服务器上的WSGI应用无法接收到POST请求呢🧐
• 如何才能使POST请求被顺利接收呢😵‍💫

······

注意事项

• 确保你的Flask应用能够正确解析和处理来自Apifox的请求。
• 在进阶任务中，确保你选择的神经网络模型与文件类型相匹配。
• 在学习过程中可以借助AI工具的帮助。~~实际上在我进行比赛的过程中，这一Part的大部分内容都是Chat老师教我的。~~只不过大家谨记不要无脑借助AI的帮助就是了。。。