Benchmark performansi web okvira: Flask vs. Django vs. FastAPI

Odabir pravog web okvira ključan je za izgradnju učinkovitih i skalabilnih web aplikacija. Python nudi nekoliko izvrsnih opcija, svaka sa svojim snagama i slabostima. Ovaj članak donosi sveobuhvatnu usporedbu tri popularna okvira: Flask, Django i FastAPI. Analizirat ćemo njihove karakteristike performansi, upotrebu resursa i prikladnost za različite tipove aplikacija, uzimajući u obzir globalne razvojne prakse i okruženja za implementaciju.

Uvod

Web okviri pružaju strukturirano okruženje za izgradnju web aplikacija, obavljajući zadatke poput usmjeravanja (routing), obrade zahtjeva i interakcije s bazom podataka. Izbor okvira značajno utječe na performanse aplikacije, posebno pod velikim opterećenjem. Cilj ovog benchmarka je pružiti uvide temeljene na podacima kako bi pomogli programerima u donošenju informiranih odluka.

• Flask: Mikro-okvir koji nudi jednostavnost i fleksibilnost. Dobar je izbor za male do srednje projekte gdje je potrebna detaljna kontrola.
• Django: Potpuno opremljen okvir koji pruža sveobuhvatan skup alata i značajki, uključujući ORM, sustav predložaka (template engine) i administratorsko sučelje. Pogodan je za složene aplikacije koje zahtijevaju robusnu i skalabilnu arhitekturu.
• FastAPI: Moderan okvir visokih performansi izgrađen na ASGI-ju, dizajniran za brzu i učinkovitu izradu API-ja. Ističe se u asinkronim operacijama i snažan je kandidat za mikroservise i aplikacije s velikim protokom podataka.

Postavke benchmarka

Kako bismo osigurali poštenu i točnu usporedbu, koristit ćemo standardizirane postavke benchmarka. To uključuje:

• Hardver: Namjenski poslužitelj s dosljednim specifikacijama (npr. CPU, RAM, pohrana). Precizne specifikacije bit će navedene i ostaju nepromijenjene tijekom svih testova.
• Softver: Najnovije stabilne verzije Pythona, Flaska, Djanga i FastAPI-ja. Koristit ćemo dosljednu verziju Gunicorna i Uvicorna za WSGI/ASGI poslužitelje.
• Baza podataka: PostgreSQL, popularna relacijska baza podataka otvorenog koda, konfigurirana za optimalne performanse.
• Alat za testiranje opterećenja: Locust, alat za testiranje opterećenja baziran na Pythonu, korišten za simulaciju istovremenih korisnika i mjerenje performansi aplikacije.
• Alati za nadzor: Prometheus i Grafana za nadzor korištenja resursa poslužitelja (CPU, memorija, mreža).
• Testni slučajevi: Definirat ćemo nekoliko testnih slučajeva koji predstavljaju uobičajene scenarije web aplikacija:
• Hello World: Jednostavna krajnja točka (endpoint) koja vraća statični string. Ovo testira osnovno usmjeravanje i opterećenje obrade zahtjeva okvira.
• Čitanje iz baze podataka: Krajnja točka koja dohvaća podatke iz baze podataka. Ovo testira performanse ORM-a (ili sloja za interakciju s bazom podataka) okvira.
• Pisanje u bazu podataka: Krajnja točka koja zapisuje podatke u bazu podataka. Ovo testira performanse ORM-a (ili sloja za interakciju s bazom podataka) tijekom operacija pisanja.
• JSON serijalizacija: Krajnja točka koja serijalizira podatke u JSON format. Ovo testira performanse serijalizacije okvira.

Detalji konfiguracije za okruženje benchmarka

• CPU: Intel Xeon E3-1231 v3 @ 3.40GHz
• RAM: 16GB DDR3
• Pohrana: 256GB SSD
• Operativni sustav: Ubuntu 20.04
• Python: 3.9.7
• Flask: 2.0.1
• Django: 3.2.8
• FastAPI: 0.68.1
• Uvicorn: 0.15.0
• Gunicorn: 20.1.0
• PostgreSQL: 13.4

Razine istovremenosti (Concurrency): Kako bismo temeljito procijenili performanse, testirat ćemo svaki okvir pod različitim razinama istovremenosti, u rasponu od 10 do 500 istovremenih korisnika. To će nam omogućiti da promatramo kako se svaki okvir skalira s povećanjem opterećenja.

Implementacije okvira

Za svaki okvir, izradit ćemo jednostavnu aplikaciju koja implementira gore opisane testne slučajeve.

Flask

Flask koristi Werkzeug WSGI toolkit. Za interakciju s bazom podataka, koristit ćemo SQLAlchemy, popularni ORM. Evo pojednostavljenog primjera:

from flask import Flask, jsonify
from sqlalchemy import create_engine, Column, Integer, String
from sqlalchemy.orm import sessionmaker
from sqlalchemy.ext.declarative import declarative_base

app = Flask(__name__)

engine = create_engine('postgresql://user:password@host:port/database')
Base = declarative_base()

class Item(Base):
    __tablename__ = 'items'
    id = Column(Integer, primary_key=True)
    name = Column(String)

Base.metadata.create_all(engine)
Session = sessionmaker(bind=engine)
session = Session()

@app.route('/hello')
def hello_world():
    return 'Hello, World!'

@app.route('/item/')
def get_item(item_id):
    item = session.query(Item).get(item_id)
    if item:
        return jsonify({'id': item.id, 'name': item.name})
    else:
        return 'Item not found', 404

if __name__ == '__main__':
    app.run(debug=True)

Django

Django koristi svoj ugrađeni ORM i sustav predložaka. Evo pojednostavljenog primjera:

from django.http import JsonResponse, HttpResponse
from django.shortcuts import get_object_or_404
from django.db import models

class Item(models.Model):
    name = models.CharField(max_length=255)

def hello_world(request):
    return HttpResponse('Hello, World!')

def get_item(request, item_id):
    item = get_object_or_404(Item, pk=item_id)
    return JsonResponse({'id': item.id, 'name': item.name})

FastAPI

FastAPI je izgrađen na ASGI-ju i koristi Pydantic za validaciju podataka. Koristit ćemo SQLAlchemy za interakciju s bazom podataka. Nativno podržava asinkronu obradu zahtjeva.

from fastapi import FastAPI, HTTPException
from pydantic import BaseModel
from typing import Optional
from sqlalchemy import create_engine, Column, Integer, String
from sqlalchemy.orm import sessionmaker
from sqlalchemy.ext.declarative import declarative_base

app = FastAPI()

engine = create_engine('postgresql://user:password@host:port/database')
Base = declarative_base()

class Item(Base):
    __tablename__ = 'items'
    id = Column(Integer, primary_key=True)
    name = Column(String)

Base.metadata.create_all(engine)
SessionLocal = sessionmaker(autocommit=False, autoflush=False, bind=engine)

def get_db():
    db = SessionLocal()
    try:
        yield db
    finally:
        db.close()

class ItemSchema(BaseModel):
    id: int
    name: str

@app.get('/hello')
async def hello_world():
    return 'Hello, World!'

@app.get('/item/{item_id}', response_model=ItemSchema)
async def read_item(item_id: int, db: SessionLocal = Depends(get_db)):
    item = db.query(Item).filter(Item.id == item_id).first()
    if item is None:
        raise HTTPException(status_code=404, detail='Item not found')
    return item

Rezultati benchmarka

Sljedeće tablice sažimaju rezultate benchmarka za svaki testni slučaj. Rezultati su prikazani u terminima zahtjeva u sekundi (RPS) i prosječne latencije (u milisekundama).

Hello World

Okvir	Istovremenost	RPS	Latencija (ms)
Flask	100	X	Y
Django	100	A	B
FastAPI	100	P	Q
Flask	500	Z	W
Django	500	C	D
FastAPI	500	R	S

Čitanje iz baze podataka

Okvir	Istovremenost	RPS	Latencija (ms)
Flask	100	U	V
Django	100	E	F
FastAPI	100	T	U
Flask	500	NN	OO
Django	500	G	H
FastAPI	500	VV	XX

Pisanje u bazu podataka

Okvir	Istovremenost	RPS	Latencija (ms)
Flask	100	KK	LL
Django	100	I	J
FastAPI	100	YY	ZZ
Flask	500	MMM	PPP
Django	500	K	L
FastAPI	500	AAA	BBB

JSON serijalizacija

Okvir	Istovremenost	RPS	Latencija (ms)
Flask	100	QQ	RR
Django	100	M	N
FastAPI	100	CCC	DDD
Flask	500	SSS	TTT
Django	500	O	P
FastAPI	500	EEE	FFF

Napomena: Zamijenite placeholder vrijednosti (X, Y, A, B, itd.) stvarnim rezultatima benchmarka dobivenim pokretanjem testova. Ovi rezultati bi se popunili nakon pokretanja testova pomoću Locusta i drugih alata za nadzor.

Analiza i interpretacija

Na temelju rezultata benchmarka (zamijenite placeholdere stvarnim podacima), možemo izvući sljedeće zaključke:

• FastAPI općenito nadmašuje Flask i Django u pogledu RPS-a i latencije, posebno pod visokom istovremenošću. To je zbog njegove asinkrone prirode i optimizirane validacije podataka pomoću Pydantica.
• Flask pruža dobru ravnotežu između performansi i fleksibilnosti. Prikladan je izbor za manje projekte ili kada trebate detaljnu kontrolu nad arhitekturom aplikacije.
• Django, iako je potpuno opremljen okvir, može pokazati niže performanse u usporedbi s FastAPI-jem, posebno za aplikacije koje se intenzivno oslanjaju na API. Međutim, nudi bogat skup značajki i alata koji mogu pojednostaviti razvoj složenih projekata.
• Interakcije s bazom podataka mogu biti usko grlo, bez obzira na okvir. Optimiziranje upita baze podataka i korištenje mehanizama za predmemoriranje (caching) mogu značajno poboljšati performanse.
• Opterećenje JSON serijalizacije može utjecati na performanse, posebno za krajnje točke koje vraćaju velike količine podataka. Korištenje učinkovitih biblioteka i tehnika serijalizacije može pomoći u ublažavanju ovog problema.

Globalna razmatranja i implementacija

Prilikom implementacije web aplikacija na globalnoj razini, uzmite u obzir sljedeće čimbenike:

• Geografska distribucija: Koristite mrežu za isporuku sadržaja (CDN) za predmemoriranje statičkih resursa i smanjenje latencije za korisnike u različitim regijama.
• Lokacija baze podataka: Odaberite lokaciju baze podataka koja je geografski blizu većine vaših korisnika.
• Vremenske zone: Ispravno rukujte vremenskim zonama kako biste osigurali da se datumi i vremena prikazuju točno za korisnike u različitim regijama. Biblioteke poput `pytz` su ključne.
• Lokalizacija i internacionalizacija: Implementirajte lokalizaciju i internacionalizaciju (i18n/l10n) za podršku više jezika i kultura. Django ima ugrađenu podršku, a Flask ima proširenja poput Flask-Babel.
• Rukovanje valutama: Osigurajte da ispravno rukujete različitim valutama, uključujući formatiranje i tečajeve konverzije.
• Propisi o privatnosti podataka: Pridržavajte se propisa o privatnosti podataka kao što su GDPR (Europa), CCPA (Kalifornija) i drugi, ovisno o vašoj ciljanoj publici.
• Skalabilnost: Dizajnirajte svoju aplikaciju tako da se može horizontalno skalirati kako bi se nosila s rastućim prometom iz različitih regija. Kontejnerizacija (Docker) i orkestracija (Kubernetes) su uobičajene tehnike.
• Nadzor i bilježenje (logging): Implementirajte sveobuhvatan nadzor i bilježenje kako biste pratili performanse aplikacije i identificirali probleme u različitim regijama.

Na primjer, tvrtka sa sjedištem u Njemačkoj koja opslužuje kupce u Europi i Sjevernoj Americi trebala bi razmotriti korištenje CDN-a s rubnim lokacijama u obje regije, hostiranje svoje baze podataka u regiji geografski centralnoj za njihovu korisničku bazu (npr. Irska ili istočna obala SAD-a) i implementaciju i18n/l10n za podršku engleskom i njemačkom jeziku. Također bi trebali osigurati da je njihova aplikacija u skladu s GDPR-om i svim primjenjivim američkim državnim zakonima o privatnosti.

Zaključak

Izbor web okvira ovisi o specifičnim zahtjevima vašeg projekta. FastAPI nudi izvrsne performanse za aplikacije koje se intenzivno oslanjaju na API, dok Flask pruža fleksibilnost i jednostavnost. Django je robustan, potpuno opremljen okvir pogodan za složene projekte. Temeljito procijenite zahtjeve svog projekta i uzmite u obzir rezultate benchmarka predstavljene u ovom članku kako biste donijeli informiranu odluku.

Praktični savjeti

• Pokrenite vlastite benchmarke: Prilagodite ove testove svojim specifičnim slučajevima upotrebe i infrastrukturi.
• Razmislite o asinkronim zadacima: Ako imate dugotrajne zadatke, koristite asinkrone redove zadataka poput Celeryja.
• Optimizirajte upite baze podataka: Koristite indeksiranje, predmemoriranje i učinkovit dizajn upita.
• Profilirajte svoju aplikaciju: Koristite alate za profiliranje kako biste identificirali uska grla.
• Nadzirite performanse: Redovito nadzirite performanse svoje aplikacije u produkciji.

Dodatna literatura

• Flask dokumentacija
• Django dokumentacija
• FastAPI dokumentacija
• Uvicorn dokumentacija
• Gunicorn dokumentacija
• Locust dokumentacija