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 : PyCharmfrom flask import *from sentence_transformers import SentenceTransformerimport torch.nn as nnimport torchimport torch.nn.functional as Fmodel = SentenceTransformer(r'E:\楚楚猫\code\pythondesigncreativitydistance\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：

                    欢迎来到我的世界                            
    Yimo
                                
    
    
    
    
    Click me!(๑•̀ㅂ•́)و✧
                                    {{result.results}}                        

    上面涉及到的sentence_transformers模块来自论文：《Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks》，使用孪生网络（Siamse Network）将两个文本映射到特征空间得到特征向量（384维）

    参考文献

    1、flask 前端（html）与后端（python）相互传数据：https://www.cnblogs.com/zzai/p/html_dataStream.html

    2、如何从Python发布数据并进入Flask前端：https://www.cnpython.com/qa/1513860