文章目录

• 1、flask后端接收来自前端的数据
• • 1）如果前端提交的方法为POST
  • 2）如果前段提交的方法是GET
  • 2、flask后端向前端传数据
  • 3、案例
  • 参考文献

    1、flask后端接收来自前端的数据

    1）如果前端提交的方法为POST

    后端接收时的代码：

    xx=request.form.get('xx');
    xx=request.form['xx']
    

    2）如果前段提交的方法是GET

    xx=request.args.get(xx)
    

    2、flask后端向前端传数据

    传送单个数据：

    return render_template('html文件',xx='xx')
    

    传送多个数据：先把数据写进字典，字典整体进行传输

    return render_template('html文件',xx='字典变量')
    

    3、案例

    目录结构：

    

    index.py文件：

    # --*-- coding:utf-8 --*--
    # @Author : 一只楚楚猫
    # @File : index.py
    # @Software : PyCharm
    from flask import *
    from sentence_transformers import SentenceTransformer
    import torch.nn as nn
    import torch
    import torch.nn.functional as F
    model = SentenceTransformer(r'E:\楚楚猫\code\python\01design\01creativity\01distance\all-MiniLM-L6-v2')
    app = Flask(__name__)
    result = dict()
    result["results"] = ""
    @app.route('/', methods=('GET', 'POST'))
    def index():
        global result
        if request.method == 'POST':
            step1 = request.form.get("step1")
            step2 = request.form.get("step2")
            step3 = request.form.get("step3")
            step4 = request.form.get("step4")
            # 用户输入的内容
            sentences = [step1, step2, step3, step4]
            results = list()
            # 384维
            embeddings = torch.FloatTensor(model.encode(sentences))
            # p=2就是计算欧氏距离，p=1就是曼哈顿距离
            euclidean_distance = nn.PairwiseDistance(p=2)
            for i in range(0, embeddings.size()[0]):
                for j in range(i + 1, embeddings.size()[0]):
                    cosine_similarity = round(F.cosine_similarity(embeddings[i], embeddings[j], dim=0).item(), 4)
                    distance = round(euclidean_distance(embeddings[i], embeddings[j]).item(), 4)
                    results.append(
                        f"step{i + 1} & step{j + 1}的相关性：{cosine_similarity}       step{i + 1} & step{j + 1}的距离：{distance}")
                    print(
                        f"step{i + 1} & step{j + 1}之间的相关性：{cosine_similarity}step{i + 1} & step{j + 1}之间的距离：{distance}")
            result["results"] = results
            return render_template('hello.html', result=result)
        return render_template('hello.html', result=result)
    if __name__ == '__main__':
        app.run(port=11252)
    

    hello.html文件：

    
    
    
    
        
        
        
         
     网络教学平台  徐州做网站的公司  如何自己做一个网站   步骤  广西建设网网上办事大厅  河南建设网站哪个好