我的第一個 FastAPI 微服務：當 Laravel 遇上智能文件辨識

我的第一個 FastAPI 微服務：當 Laravel 遇上智能文件辨識

作為一名主要使用 PHP (尤其是 Laravel) 進行開發的工程師，我始終對探索新的技術棧充滿熱情。最近，我將目光投向了 Python 生態系統，特別是 FastAPI，並成功地將其與我熟悉的 Laravel 應用程式整合，搭建了一個 AI 檔案辨識微服務。這篇文章將分享我從入門到實踐 FastAPI 的學習旅程，以及這個跨語言專案帶給我的思考。

為什麼引入 FastAPI？

在處理涉及 AI 模型推理的需求時，我意識到現有的 PHP 技術棧在某些方面可能不是最優解。經過一番研究和評估，我選擇了 Python 的 FastAPI。主要的考量點包括：

1. AI/機器學習領域的優勢：Python 在 AI 領域擁有無可比擬的生態系統，諸如 PyTorch、TensorFlow 等深度學習框架，以及 YOLOv5、Tesseract OCR 等成熟的開源模型，都原生支援 Python。這使得整合先進的 AI 功能變得高效便捷。
2. FastAPI 的高效與簡潔：FastAPI 以其出色的性能（基於 Starlette 和 Pydantic）和極簡的開發體驗吸引了我。對於需要快速響應的 AI 推理服務來說，其輕量級和高效率的特性非常適合。此外，自動生成的 API 文檔（Swagger UI / ReDoc）也極大地便利了開發與協作。
3. 異步編程潛力：FastAPI 對 async/await 的原生支持為處理高併發請求和進行非同步操作提供了強大的基礎，儘管在專案初期我尚未完全發揮其潛力，但這為未來的效能優化預留了空間。

專案架構：Laravel 與 FastAPI 的協同工作

我的專案目標是建立一個能夠智能處理上傳文件（圖片或 PDF）的服務：

• 圖片 (JPEG/PNG)：利用 YOLOv5 進行物件檢測，返回識別到的物件及其置信度。
• PDF 文件：運用 Tesseract OCR 技術提取文件中的文字內容（支援英文和繁體中文）。

為此，我設計了一個清晰的微服務架構：

• 前端與業務邏輯層 (Laravel)：

  • 負責提供直觀的文件上傳界面。
  • 管理文件在伺服器上的存儲（storage/app/public/files）。
  • 將已存儲文件的公共 URL 和文件類型傳遞給 FastAPI 服務進行辨識。
  • 接收 FastAPI 返回的辨識結果，並將其與文件狀態一併更新到 MySQL 資料庫中。
  • 最終，將辨識結果以友好的方式展示給用戶。

• AI 辨識服務 (FastAPI)：

  • 作為一個獨立的 HTTP API 服務運行。
  • 接收 Laravel 發來的辨識請求（包含文件 URL 和類型）。
  • 根據文件類型，動態調用預載入的 YOLOv5 模型進行物件檢測，或使用 Tesseract OCR 進行文字提取。
  • 將處理後的結構化辨識結果返回給 Laravel。

整個專案都基於 Docker 和 Docker Compose 進行容器化部署，這不僅確保了開發與生產環境的一致性，也極大地簡化了服務間的通信和部署流程。

學習 FastAPI 的點滴與挑戰

從熟悉的 PHP 框架轉向 Python 和 FastAPI，是一個充滿新鮮感的過程。

我的學習體驗：

• Python 的魅力：Python 語法簡潔，且擁有令人驚嘆的豐富庫資源。這讓我在實現 AI 相關功能時，能夠快速找到現成的解決方案並加以應用。
• FastAPI 開發的效率：FastAPI 的設計哲學讓我覺得非常親切。路由的定義 (@app.post())、請求數據的驗證（Pydantic BaseModel），這些概念都與 Laravel 的開發模式有共通之處，但 FastAPI 在構建 API 上的聚焦性更強，開發效率令人印象深刻。
• 對非同步的初探：雖然目前專案中的某些 I/O 操作（如 requests.get）在 Python 中仍是同步的，但 FastAPI 原生支持 async/await，讓我意識到可以進一步優化那些耗時操作，使其在後台運行，而不阻塞主線程，這將是未來性能提升的重要方向。

遇到的挑戰與解決方案：

• 跨服務文件傳輸：最初考慮過直接在 API 請求中傳輸文件內容，但為了避免大文件傳輸的負擔，我決定採用**「Laravel 存儲文件，FastAPI 通過 URL 下載」**的模式。Laravel 上傳文件到 storage/app/public 後，將其公共 URL 發送給 FastAPI，FastAPI 再自行下載進行處理。這讓兩個服務之間的耦合度更低，也更具彈性。
• Docker 內部網路通信：在 docker-compose.yml 中配置服務網路 (app-network)，確保 laravel 和 fastapi 容器能夠通過它們的服務名稱（例如 http://fastapi:8000）進行無縫通信，這是容器化環境下服務間通信的標準而有效的方法。
• AI 模型載入：像 YOLOv5 這樣的大模型，其載入過程可能耗時。我在 main.py 中將模型預載入放在應用啟動時，並加入了必要的錯誤處理，確保服務能夠穩健啟動。

結語與未來展望

這次構建 Laravel + FastAPI 檔案辨識微服務的經歷，不僅讓我親身體驗了兩種不同語言和框架如何高效協同工作，更深入了解了微服務架構在解決特定問題上的優勢。Laravel 憑藉其在 Web 開發上的成熟與便捷，承擔了前端和業務流程的重任；而 FastAPI 則以其在 AI 應用和高性能 API 上的專長，完美地補足了整個系統的智能處理能力。

這個專案雖然已經初步完成，但仍有許多值得探索和優化的空間。例如，引入 Laravel Queue 進行異步處理以提升用戶體驗、為 FastAPI 服務添加更強的 認證機制 以保障安全、以及考慮將文件存儲遷移到雲端服務以提高可擴展性等等。

我已經將這個專案開源在 GitHub (https://github.com/BpsEason/laravel-fastapi-file-recognition.git)，希望它能為那些希望探索跨技術棧整合、涉足 AI 領域的開發者提供一些啟發和實踐範例。跳出熟悉區，擁抱新技術，總是充滿挑戰但也充滿無限可能！

---