FastAPI - APIs de données
Routes, modèles Pydantic, dépendances, middleware, documentation OpenAPI, déploiement
1Qu'est-ce que FastAPI ?
Qu'est-ce que FastAPI ?
Réponse
FastAPI est un framework web Python moderne et performant pour construire des APIs. Il utilise les type hints Python standard pour la validation automatique des données et la génération de documentation. FastAPI est basé sur Starlette pour les aspects web et Pydantic pour la validation des données, offrant des performances comparables à Node.js et Go.
2Quel décorateur utiliser pour définir une route GET dans FastAPI ?
Quel décorateur utiliser pour définir une route GET dans FastAPI ?
Réponse
FastAPI utilise des décorateurs de méthodes HTTP directement sur l'instance de l'application. Le décorateur @app.get("/path") définit une route GET. Chaque méthode HTTP a son décorateur correspondant : @app.post(), @app.put(), @app.delete(), etc. Cette syntaxe est inspirée de Flask mais avec la validation automatique en plus.
3Quel est le rôle de Pydantic dans FastAPI ?
Quel est le rôle de Pydantic dans FastAPI ?
Réponse
Pydantic est la bibliothèque de validation de données utilisée par FastAPI. Elle permet de définir des modèles de données avec des types Python et valide automatiquement les données entrantes. Pydantic génère aussi le schéma JSON pour la documentation OpenAPI et fournit des messages d'erreur détaillés en cas de données invalides.
Comment définir un path parameter dans une route FastAPI ?
Comment FastAPI distingue-t-il un query parameter d'un path parameter ?
+17 questions d'entretien
Autres sujets d'entretien Data Engineering
Linux & Shell - Fondamentaux
Git & GitHub - Fondamentaux
Python avancé pour le Data Engineering
Docker - Fondamentaux
Google Cloud Platform - Fondamentaux
CI/CD et qualité de code
Docker Compose
SQL avancé pour le Data Engineering
Data Lake - Architecture et ingestion
BigQuery pour le Data Engineering
PostgreSQL - Administration
Data Modeling pour le Data Engineering
Fivetran & Airbyte - Ingestion de données
dbt - Fondamentaux
Apache Airflow - Fondamentaux
Kubernetes - Fondamentaux
dbt - Fonctionnalités avancées
Patterns ETL / ELT / ETLT
Apache Airflow - Avancé
Airflow + dbt - Orchestration de pipelines
PySpark - Traitement à grande échelle
Google Pub/Sub - Streaming de données
Apache Beam & Dataflow
Kubernetes - Production et scaling
Terraform - Infrastructure as Code
Bases de données NoSQL
Architecture Data moderne
Monitoring et observabilité
IAM et sécurité des données
Maîtrise Data Engineering pour ton prochain entretien
Accède à toutes les questions, flashcards, tests techniques, exercices de code review et simulateurs d'entretien.
Commencer gratuitement