被裁后靠 FastAPI 接外包续命，一个老广程序员的性能优化血泪史
上周五晚上，十一点半，广州荔湾区西华路。
我坐在楼下那家开了二十年的牛杂档，要了一碗萝卜牛杂加两份面筋，老板阿叔看我天天来，已经不用我开口就知道我要"走青"（不要葱）。我一边吃一边盯着手机，微信上甲方发来的消息让我眉头紧锁：
"这个接口响应太慢了，3秒才返回，能不能优化一下？"
我叹了口气，把最后一块牛杂塞进嘴里。这已经是我这个月接的第三个外包项目了，用的都是 FastAPI。说实话，去年十月被裁的时候，我压根没想到自己有一天会靠 Python 后端框架来接活养家。
先自我介绍一下。我阿明，92年的老广，坐标广州老城区，做了快八年全栈开发。之前在天河软件园一家做 SaaS 的公司写代码，月薪从15k熬到22k，本以为能一直干到退休，结果公司"业务调整"，整个后端组连我一起六个人，一锅端。
N+1 赔了三个月工资，到手八万多。听着不少对吧？但房贷每个月6800，房租（我住的地方租出去了自己搬去番禺）3500，老婆在幼儿园当老师月薪才5500，儿子明年要上小学，各种兴趣班一年得两三万。当时真的很焦虑，整夜整夜睡不着，头发掉得比写 Java 的时候还快。
一、为什么是 FastAPI？
被裁后头两个月，我疯狂投简历。35岁，在广州这个市场，你们懂的。面试了十几家，要么嫌我年龄大，要么嫌我要价高。有一家给了 offer，月薪16k，单休，大小周，我老婆说"不如不去"。
当时差点想放弃，甚至考虑过去开滴滴。但我一个做独立开发的朋友老陈跟我说："你先接外包，用 FastAPI，现在好多小公司和个人项目都在用，上手快，性能好，异步天然支持。"
老陈是做 Go 的，他跟我说了一句让我印象很深的话："你写 Python 的，如果不懂性能优化，那跟写脚本的有什么区别？FastAPI 的优势就是让你用 Python 的语法，拿到接近 Go 的性能体验。"
这话戳到我了。
我花了大概两周时间，把 FastAPI 的文档啃了一遍，又看了几十个 GitHub 上的开源项目。然后开始在程序员客栈、猪八戒、还有各种微信群里接单。
到今天，大半年过去了，我靠 FastAPI 接了七八个外包项目，月收入稳定在两万多，虽然比不上以前的22k，但时间自由，能接送儿子上下学，老婆也支持。
所以今天这篇文章，我想以一个"过来人"的身份，给 Python 后端新手聊聊 FastAPI，重点讲性能优化。毕竟，框架只是工具，写得好不好，看你优化到不到位。
二、FastAPI 入门：别被"快"字骗了
很多新手看到 FastAPI 的名字，以为用了就自动变快。兄弟，你想多了。
FastAPI 的"快"，指的是框架本身的性能——基于 Starlette 和 Pydantic，底层用了 ASGI 协议，支持异步。但你的业务代码写得烂，该慢还是慢。
2.1 先跑起来
from fastapi import FastAPI
app = FastAPI()
@app.get("/")
async def root():
return {"message": "Hello World"}
就这么简单。uvicorn main:app --reload 一跑，浏览器打开 http://127.0.0.1:8000，就能看到返回。
新手到这里就满足了，开始写业务逻辑。但我要告诉你，真正的坑从你写第一个数据库查询开始。
2.2 同步 vs 异步：这个必须搞清楚
FastAPI 支持 async def 和 def 两种路由函数。区别在哪？
# 异步路由
@app.get("/async")
async def async_route():
result = await some_async_function()
return result
# 同步路由
@app.get("/sync")
def sync_route():
result = some_sync_function()
return result
核心原则：如果你的路由函数里有 I/O 操作（数据库查询、HTTP 请求、文件读写），用 async def；如果是 CPU 密集型操作（图像处理、复杂计算），用 def，FastAPI 会自动把它丢到线程池里执行，不会阻塞事件循环。
我见过太多新手，在 async def 里直接调 requests.get() 或者用同步的 pymysql，把整个事件循环堵死。结果就是：一个请求慢，所有请求都慢。
记住这句话：异步函数里，只能用异步的库。
# 正确做法
import httpx
from sqlalchemy.ext.asyncio import AsyncSession
@app.get("/users")
async def get_users(db: AsyncSession = Depends(get_db)):
# 用 httpx 而不是 requests
async with httpx.AsyncClient() as client:
resp = await client.get("https://api.example.com/data")
# 用 SQLAlchemy 的异步版本
result = await db.execute(select(User))
return result.scalars().all()
三、性能优化：这才是核心竞争力
接下来说重点。我接的外包项目，甲方最在意的就是性能。有个做电商的客户，他原来的 Django 项目，列表接口要 3 秒，换成 FastAPI 后我优化到 200ms，他直接多给我加了五千块。
3.1 数据库查询优化
问题一：N+1 查询
# 烂代码：N+1 问题
@app.get("/orders")
async def get_orders(db: AsyncSession = Depends(get_db)):
orders = await db.execute(select(Order))
result = []
for order in orders.scalars().all():
# 每次循环都查一次数据库！
user = await db.execute(select(User).where(User.id == order.user_id))
result.append({
"order": order,
"user": user.scalars().first()
})
return result
100 个订单，就要查 101 次数据库。不慢才怪。
优化方案：用 joinedload 或 selectinload
# 优化后：一次查询搞定
from sqlalchemy.orm import selectinload
@app.get("/orders")
async def get_orders(db: AsyncSession = Depends(get_db)):
result = await db.execute(
select(Order)
.options(selectinload(Order.user))
)
return result.scalars().all()
一次查询，数据库压力直接降到原来的 1/100。
问题二：没有索引
这个太常见了。我接过一个项目，一张五十万数据的表，查询条件字段没加索引，每次查询全表扫描。加了个索引，响应时间从 2 秒降到 50ms。
# SQLAlchemy 模型里加索引
class User(Base):
__tablename__ = "users"
id = Column(Integer, primary_key=True)
email = Column(String(100), index=True) # 加索引！
created_at = Column(DateTime, index=True) # 经常排序的字段也要加
3.2 缓存：能不动数据库就不动
from fastapi_cache import FastAPICache
from fastapi_cache.backends.redis import RedisBackend
from fastapi_cache.decorator import cache
# 初始化 Redis 缓存
redis = aioredis.from_url("redis://localhost")
FastAPICache.init(RedisBackend(redis), prefix="my-cache")
@app.get("/hot-products")
@cache(expire=60) # 缓存60秒
async def get_hot_products():
# 热门商品列表，不需要每次都查数据库
products = await db.execute(
select(Product).order_by(Product.sales.desc()).limit(20)
)
return products.scalars().all()
这里多说一句，我有个项目甲方要求用 Go 写微服务，但他们的知识库系统是用 Python 的。我就用 FastAPI 做 API 层，Redis 做缓存，Go 那边做计算密集型任务，两边通过 gRPC 通信。效果很好，各取所长。
3.3 响应压缩和序列化
FastAPI 默认用 Pydantic 做序列化，已经很快了。但如果你返回的数据量大，可以加上 gzip 压缩：
from fastapi import Response
from fastapi.middleware.gzip import GZipMiddleware
app.add_middleware(GZipMiddleware, minimum_size=1000)
另外，Pydantic 模型里只返回需要的字段，别把整个数据库对象直接丢出去：
from pydantic import BaseModel
class UserResponse(BaseModel):
id: int
name: str
email: str
class Config:
from_attributes = True
@app.get("/users/{user_id}", response_model=UserResponse)
async def get_user(user_id: int, db: AsyncSession = Depends(get_db)):
user = await db.get(User, user_id)
return user # 只返回 UserResponse 里定义的字段
3.4 连接池：别每次都新建连接
from sqlalchemy.ext.asyncio import create_async_engine, async_sessionmaker
# 配置连接池
engine = create_async_engine(
"postgresql+asyncpg://user:pass@localhost/dbname",
pool_size=20, # 连接池大小
max_overflow=10, # 最大溢出连接
pool_pre_ping=True, # 使用前检查连接是否有效
pool_recycle=3600, # 一小时回收连接
)
AsyncSessionLocal = async_sessionmaker(engine, expire_on_commit=False)
默认的连接池配置往往不够用，特别是并发高的时候。我一般会根据服务器配置和数据库承受能力来调整 pool_size。
四、实战踩坑：那些文档里没写的事
4.1 依赖注入的坑
FastAPI 的依赖注入很好用，但新手容易踩坑：
# 坑：每次请求都新建数据库 session，但忘了关闭
async def get_db():
db = AsyncSessionLocal()
yield db
# 忘了 await db.close()！
# 正确做法
async def get_db():
async with AsyncSessionLocal() as db:
yield db
4.2 后台任务的正确姿势
有些操作不需要等返回结果，比如发邮件、写日志：
from fastapi import BackgroundTasks
async def send_email(email: str, message: str):
# 模拟发送邮件
await asyncio.sleep(3)
print(f"Email sent to {email}")
@app.post("/register")
async def register(
user: UserCreate,
background_tasks: BackgroundTasks,
db: AsyncSession = Depends(get_db)
):
# 先存数据库
new_user = User(**user.dict())
db.add(new_user)
await db.commit()
# 邮件丢到后台任务
background_tasks.add_task(send_email, user.email, "Welcome!")
return {"message": "User created"}
但注意，BackgroundTasks 是在请求返回后执行的，如果服务重启，任务就丢了。重要的任务还是用 Celery 或者 RQ。
4.3 知识库项目的特殊优化
说到知识库，我上个月刚接了一个。甲方是个做教育的小公司，要做一个内部知识库系统，支持文档搜索、标签管理、权限控制。
技术栈：FastAPI + PostgreSQL + Elasticsearch + Redis
搜索这块我用了 Elasticsearch，全文检索比数据库 LIKE 快几十倍。但有个坑：ES 的数据同步。我用了 Canal 监听 MySQL binlog（后来改成 PostgreSQL 的 logical replication），实时同步到 ES。
# 搜索接口
@app.get("/knowledge/search")
async def search_knowledge(
q: str,
page: int = 1,
size: int = 20,
es: AsyncElasticsearch = Depends(get_es)
):
result = await es.search(
index="knowledge_base",
body={
"query": {
"multi_match": {
"query": q,
"fields": ["title^3", "content", "tags^2"]
}
},
"from": (page - 1) * size,
"size": size
}
)
return {
"total": result["hits"]["total"]["value"],
"items": [hit["_source"] for hit in result["hits"]["hits"]]
}
这个项目做完，甲方很满意，后来又给我介绍了两个客户。所以你看，技术做好了，口碑自然就来了。
五、FastAPI vs 其他框架：说点真话
我知道很多新手会纠结选什么框架。我简单说下我的看法：
| 框架 | 优点 | 缺点 | 适用场景 |
|---|---|---|---|
| FastAPI | 快、类型安全、文档自动生成 | 生态不如 Django | API 服务、微服务 |
| Django | 全家桶、生态成熟 | 重、不够灵活 | 传统 Web 项目 |
| Flask | 轻量、灵活 | 需要自己搭积木 | 小项目、学习 |
| Go (Gin) | 性能最强、并发好 | 学习曲线陡 | 高并发、微服务 |
如果你做 Python 后端，FastAPI 目前是最推荐的选择。如果你追求极致性能，可以考虑 Go，但学习成本不低。我那个朋友老陈就是从 Python 转 Go 的，他说"回不去了"，但我觉得语言只是工具，关键看场景。
六、写在最后
写这篇文章的时候，已经是凌晨一点了。儿子在隔壁房间睡着了，老婆今天值班不在家。我坐在番禺这间月租1800的单间里，听着窗外偶尔驶过的货车声，突然觉得生活虽然不容易，但还算有奔头。
被裁那年，我32岁。现在33了，头发又白了几根，但心态比那时候好多了。
给新手的几点建议：
别只学框架，要学原理。FastAPI 为什么快？因为 ASGI，因为 Pydantic，因为类型提示。理解了这些，你才能做好优化。
性能优化是系统工程。不是换个框架就万事大吉，数据库索引、缓存策略、代码写法，每个环节都要注意。
多接项目，多踩坑。文档看十遍不如实际写一遍。我现在的经验，全是一个个项目磨出来的。
保持学习，但不要焦虑。Go 火不火？火。但 Python 也不会死。把一门语言吃透，比什么都学一点强。
35岁不是终点。至少在广州，有技术、有经验、能扛事的程序员，永远有饭吃。
上个月，有个以前公司的同事找我，说他也被裁了，问我怎么接外包。我跟他说了句话："别等被裁了才想退路，现在就开始积累。"
共勉。
如果你也是在做 Python 后端，或者也在接外包，欢迎加我微信交流。我是阿明，一个在广州老城区长大、在番禺租房写代码的中年程序员。
下一篇想写什么？评论区告诉我。如果反响好，我写一篇 FastAPI 部署到 Docker + Nginx 的实战教程。
—— 2024年6月15日，凌晨，于番禺
评论 0