Python Flask中的权限设置是怎样的

这期内容当中小编将会给大家带来有关Python Flask中的权限设置是怎样的，文章内容丰富且以专业的角度为大家分析和叙述，阅读完这篇文章希望大家可以有所收获。

我们设置了系统的注册和登陆功能，已经基本满足了一个小型 Web 应用的需求。如果我们想通过这个网站来赚些小钱呢，就需要提供更高级的功能，当然这些高级功能不是免费开放的，设计一个权限系统，来控制高级应用的使用。

撰写高级功能

所谓的高级功能就是用户舍得花钱去购买的功能，像我这种喜欢薅羊毛的主，只配用用基础功能了。

我这里设计的高级功能，就是丰富 K 线图，在我们原来 K 线图的基础上添加移动平均线和成交量。

移动平均线

移动平均线是技术分析中非常普遍的一项指标，"平均"是指单位周期内的平均收盘价格，"移动"则是指将新的交易日收盘价纳入计算周期的同时，剔除最早的交易收盘价。

我们先来观察下通过 tushare 获取到的数据

可以看到，数据中的 Ma5、Ma10 和 Ma20 值可以用来制作移动平均线，可以通过折线图的方式来展现。

import pyecharts.options as optsfrom pyecharts.charts import Linedef moving_average() -> Line: c = ( Line() .add_xaxis(df.index.tolist()) .add_yaxis("Ma5", df['ma5'].values.tolist(), is_smooth=True) .add_yaxis("Ma10", df['ma10'].values.tolist(), is_smooth=True) .add_yaxis("Ma20", df['ma20'].values.tolist(), is_smooth=True) .set_global_opts(title_opts=opts.TitleOpts(title="移动平均线")) .set_series_opts( label_opts=opts.LabelOpts(is_show=False), ) ) return cmoving_average().render_notebook()

成交量

对于成交量，可以通过柱状图来展示，柱状图的高度，就是成交量的大小。把上涨时的成交量显示成红色，下跌时的成交量显示成绿色。

import pyecharts.options as optsfrom pyecharts.charts import Line, Barvolume_rise=[df.volume[x] if df.close[x] > df.open[x] else "0" for x in range(0, len(df.index))]volume_drop=[df.volume[x] if df.close[x] <= df.open[x] else "0" for x in range(0, len(df.index))]def volume() -> Bar: c = ( Bar() .add_xaxis(df.index.tolist()) .add_yaxis("volume_rise", volume_rise, stack=True, color=["#ec0000"]) .add_yaxis("volume_drop", volume_drop, stack=True, color=["#00da3c"]) .set_global_opts(title_opts=opts.TitleOpts(title="成交量"), datazoom_opts=[opts.DataZoomOpts()],) .set_series_opts( label_opts=opts.LabelOpts(is_show=False), ) ) return cvolume().render_notebook()

集成三个图表

下面我们就把三个图标，K 线图，移动平均线图和成交量图合成到一起
首先把 K 线图和移动平均线图层叠到一起

def kline_base() -> Kline: kline = ( Kline() .add_xaxis(df.index.tolist()) .add_yaxis("日K图", df[['open', 'close', 'low', 'high']].values.tolist(), markpoint_opts=opts.MarkLineOpts( data=[opts.MarkLineItem(type_="max", value_dim="close")] ), markline_opts=opts.MarkLineOpts( data=[opts.MarkLineItem(type_="max", value_dim="close")] ), itemstyle_opts=opts.ItemStyleOpts( color="#ec0000", color0="#00da3c", border_color="#8A0000", border_color0="#008F28", ), ) .set_global_opts( yaxis_opts=opts.AxisOpts(is_scale=True, splitarea_opts=opts.SplitAreaOpts( is_show=True, areastyle_opts=opts.AreaStyleOpts(opacity=1) ), ), xaxis_opts=opts.AxisOpts(is_scale=True, axislabel_opts=opts.LabelOpts(rotate=-30)), title_opts=opts.TitleOpts(title="股票走势"), datazoom_opts=[opts.DataZoomOpts()], toolbox_opts=opts.ToolboxOpts(is_show=True), ) ) line = ( Line() .add_xaxis(df.index.tolist()) .add_yaxis("Ma5", df['ma5'].values.tolist(), is_smooth=True) .add_yaxis("Ma10", df['ma10'].values.tolist(), is_smooth=True) .add_yaxis("Ma20", df['ma20'].values.tolist(), is_smooth=True) .set_global_opts(title_opts=opts.TitleOpts(title="移动平均线")) .set_series_opts( label_opts=opts.LabelOpts(is_show=False), ) ) kline.overlap(line) return kline

接下来再通过 grid 把成交量图添加到主图表中

... bar = ( Bar() .add_xaxis(df.index.tolist()) .add_yaxis("volume_rise", volume_rise, stack=True, color=["#ec0000"], ) .add_yaxis("volume_drop", volume_drop, stack=True, color=["#00da3c"], ) .set_global_opts(title_opts=opts.TitleOpts(), legend_opts=opts.LegendOpts(pos_right="20%")) .set_series_opts( label_opts=opts.LabelOpts(is_show=False), ) )  overlap_kline_line = kline.overlap(line) grid = Grid() grid.add( overlap_kline_line, grid_opts=opts.GridOpts(pos_left="10%", pos_right="8%", height="50%"), ) grid.add( bar, grid_opts=opts.GridOpts( pos_left="10%", pos_right="8%", pos_top="70%", height="16%" ), )...

至此，我们所谓的"高级"图表就完成了，下面就开始结合 Flask，嵌入我们产生的图表

编写各个图表页面

首先我们先把新产生的两个图表嵌入到 Web 应用中，每个图表都是一个独立的页面

后台函数

先来创建生成移动平均线和成交量图表的函数

# 移动平均线def moving_average_chart(mydate, data_5, data_10, data_20, name) -> Line: moving_average = ( Line() .add_xaxis(mydate) .add_yaxis("ma5", data_5, is_smooth=True) .add_yaxis("ma10", data_10, is_smooth=True) .add_yaxis("ma20", data_20, is_smooth=True) .set_global_opts(title_opts=opts.TitleOpts(title="%s-移动平均线" % name), datazoom_opts=[opts.DataZoomOpts()], ) .set_series_opts( label_opts=opts.LabelOpts(is_show=False), ) ) return moving_average# 成交量def volume_chart(mydate, volume_rise, volume_drop, name) -> Bar: bar = ( Bar() .add_xaxis(mydate) .add_yaxis("volume_rise", volume_rise, stack=True, color=["#ec0000"]) .add_yaxis("volume_drop", volume_drop, stack=True, color=["#00da3c"]) .set_global_opts(title_opts=opts.TitleOpts(title="%s-成交量" % name), datazoom_opts=[opts.DataZoomOpts()],) .set_series_opts( label_opts=opts.LabelOpts(is_show=False), ) ) return bar

然后再修改 get_stock_data 函数，返回我们需要的数据

def get_stock_data(code, ctime): df = ts.get_hist_data(code) df_time = df[:ctime] mydate = df_time.index.tolist() kdata = df_time[['open', 'close', 'low', 'high']].values.tolist() madata_5 = df_time['ma5'].values.tolist() madata_10 = df_time['ma10'].values.tolist() madata_20 = df_time['ma20'].values.tolist() volume_rise = [df_time.volume[x] if df_time.close[x] > df_time.open[x] else "0" for x in range(0, len(df_time.index))] volume_drop = [df_time.volume[x] if df_time.close[x] <= df_time.open[x] else "0" for x in range(0, len(df_time.index))] return [mydate, kdata, madata_5, madata_10, madata_20, volume_rise, volume_drop]

接着再增加生成两个图表所对应的视图函数

@app.route("/Line", methods=['GET', 'POST'])def get_moving_average(): stock_name = request.form.get('stockName') query_time = request.form.get('queryTime') if not stock_name: stock_name = '平安银行' if not query_time: query_time = 30 if int(query_time) > 30: if current_user.is_authenticated: pass else: abort(403) status, stock_code = check_stock(stock_name) if status == 0: return 'error stock code or name' mydate, kdata, madata_5, madata_10, madata_20, volume_rise, volume_drop = get_stock_data(stock_code[0], int(query_time)) c = moving_average_chart(mydate, madata_5, madata_10, madata_20, stock_code[1]) return c.dump_options()@app.route("/Bar", methods=['GET', 'POST'])def get_volume(): stock_name = request.form.get('stockName') query_time = request.form.get('queryTime') if not stock_name: stock_name = '平安银行' if not query_time: query_time = 30 if int(query_time) > 30: if current_user.is_authenticated: pass else: abort(403) status, stock_code = check_stock(stock_name) if status == 0: return 'error stock code or name' mydate, kdata, madata_5, madata_10, madata_20, volume_rise, volume_drop = get_stock_data(stock_code[0], int(query_time)) c = volume_chart(mydate, volume_rise, volume_drop, stock_code[1]) return c.dump_options()

然后还要添加对应的前端页面

@app.route("/mavg", methods=['GET', 'POST'])def moving_average(): return render_template("mavg.html")@app.route("/volume", methods=['GET', 'POST'])def volume(): return render_template("volume.html")

最后创建上面的两个 html 文件，并修改

{% extends "base.html" %}{% block title %}我的股票走势图{% endblock %}{% block page_content %}{% for message in get_flashed_messages() %}
 × {{ message }} 
{% endfor %} 
 
 
股票名称：  
 
查询时间：  
 
 
 
 
 {% endblock %}{% block scripts %}{{ super() }}  {% endblock %}

同时在 base.html 中添加入口地址

...
 
Moving Average
 
 
 
Volume
 
...

现在我们的 Web 应用就是下图的样子了

下面我们就可以进入今天的正题了，设置权限。

权限设计

定义表结构

首先定义权限表结构

class Role(db.Model): __tablename__ = 'roles' id = db.Column(db.Integer, primary_key=True) name = db.Column(db.String(64), unique=True) users = db.relationship('WebUser', backref='role') @staticmethod def init_roles(): roles = ['User', 'Admin'] for r in roles: role = Role.query.filter_by(name=r).first() if role is None: role = Role(name=r) db.session.add(role) db.session.commit()

我们定义了两种权限，User 和 Admin，那么只有拥有 Admin 权限的用户才可以访问高级功能。

这里还使用了外键关联到了 WebUser 表上，所以需要同步修改 WebUser 表

# 用户表结构class WebUser(UserMixin, db.Model): __tablename__ = 'webuser' id = db.Column(db.Integer, primary_key=True) user_id = db.Column(db.String(64), unique=True, index=True) email = db.Column(db.String(64), unique=True, index=True) username = db.Column(db.String(64), unique=True, index=True) password_hash = db.Column(db.String(128)) role_id = db.Column(db.Integer, db.ForeignKey('roles.id'), default=1)...

因为我们修改了原始表的表结构，所以需要进行表结构的迁移操作，这里可以使用插件 flask-migrate 来帮助我们实现

表结构迁移

先安装 flask-migrate 插件

pip install flask-migrate

然后在程序中配置 flask_migrate

from flask_migrate import Migrate...migrate = Migrate(app, db, render_as_batch=True)...

创建迁移仓库

flask db init

该命令会在当前目录下生成迁移文件夹，所有的迁移脚本都会保存在其中。

创建迁移脚本

flask db migrate

最后就是更新数据库，如果你和我一样是使用的 sqllite 数据库的话，那么需要对迁移脚本做些修改

打开 migrations 下 versions 里的 py 文件，找到语句 "batch_op.create_foreign_key"，修改如下

batch_op.create_foreign_key('role_key', 'roles', ['role_id'], ['id'])

然后再执行下面的命令

flask db upgrade

最后我们初始化角色
进入 flask shell，执行如下操作完成角色表的初始化

flask shellfrom app import RoleRole.init_roles()

这样就完成了数据库的迁移和初始化。

权限校验

下面我们就可以开始编写权限校验部分了

校验函数

对于校验函数，我们可以写在 WebUser 类中，这样就可以通过 current_user 来调用

... def is_admin(self): if self.role_id is 2: return True else: return False...

再创建一个必须是 admin role 的用户才能访问的视图

@app.route('/fullchart/', methods=['GET', 'POST'])@login_requireddef fullchart(): if current_user.is_admin(): return "OK" flash('You have not permission to access this page') return redirect(url_for('index'))

整合前后端

把页面入口添加到 base.html 页面上

 
Full Chart
 

然后新建一个 full chart 函数，用于产生高级图表

# full chartdef full_chart(mydate, kdata, data_5, data_10, data_20, volume_rise, volume_drop, name): kline = ( Kline()...

同样的，编写为前端提供的接口函数

@app.route("/FullChart", methods=['GET', 'POST'])def get_fullcharte(): stock_name = request.form.get('stockName') query_time = request.form.get('queryTime')...

最后创建 fullchart.html 并做响应修改，同时把 fullchart 视图函数指向该模板

@app.route('/fullchart/', methods=['GET', 'POST'])@login_requireddef fullchart(): if current_user.is_admin(): return render_template('fullchart.html') flash('You have not permission to access this page') return redirect(url_for('index'))

至此，我们的高级图表功能也完成了

上述就是小编为大家分享的Python Flask中的权限设置是怎样的了，如果刚好有类似的疑惑，不妨参照上述分析进行理解。如果想知道更多相关知识，欢迎关注行业资讯频道。