学习dify第四天-api

从web前篇介绍了docker的加载文件，api和web篇差不多，都是从跟目录的docker加载到项目的/api/Dockerfile然后加载的。
这里主要是flask框架，可以看之前写的flask框架的文章。

安装

api下的docker挺简单简单流程是：

使用了Debian中的python3.12构建了初始环境，使用poetry构建（比pip构建能减少冲突依赖），开5001的api端口，安装node和curl这些常用工具，拷贝python的环境.venv，执行docker/entrypoint.sh

COPY pyproject.toml poetry.lock ./
RUN poetry install --sync --no-cache --no-root

docker/entrypoint.sh

#!/bin/bash

set -e
# 默认是镜像
if [[ "${MIGRATION_ENABLED}" == "true" ]]; then
  echo "Running migrations"
  flask upgrade-db
fi
#区分是不是工作服务，默认是api，他俩用的一个包
if [[ "${MODE}" == "worker" ]]; then

  # Get the number of available CPU cores
  if [ "${CELERY_AUTO_SCALE,,}" = "true" ]; then
    # Set MAX_WORKERS to the number of available cores if not specified
    AVAILABLE_CORES=$(nproc)
    MAX_WORKERS=${CELERY_MAX_WORKERS:-$AVAILABLE_CORES}
    MIN_WORKERS=${CELERY_MIN_WORKERS:-1}
    CONCURRENCY_OPTION="--autoscale=${MAX_WORKERS},${MIN_WORKERS}"
  else
    CONCURRENCY_OPTION="-c ${CELERY_WORKER_AMOUNT:-1}"
  fi
# 如果是worker服务，使用 celery开启任务队列，应用定义在 app/celery.py，使用gevent（并发池类型：基于协程，适合 I/O 密集型任务），默认消费dataset,mail,ops_trace,app_deletion队列
  exec celery -A app.celery worker -P ${CELERY_WORKER_CLASS:-gevent} $CONCURRENCY_OPTION --loglevel ${LOG_LEVEL:-INFO} \
    -Q ${CELERY_QUEUES:-dataset,mail,ops_trace,app_deletion}

elif [[ "${MODE}" == "beat" ]]; then
# Celery Beat 是 Celery 的定时任务调度器，用于按照预设的时间表触发任务。Celery Beat 负责调度任务，但实际执行任务的是 Celery Worker。因此，需要同时运行 Celery Worker 来处理这些任务，没发现哪里设置beat
  exec celery -A app.celery beat --loglevel ${LOG_LEVEL:-INFO}
else
# 如果DEBUG为true就用flask启动，测试用，否则gunicorn启动，生产用
  if [[ "${DEBUG}" == "true" ]]; then
    exec flask run --host=${DIFY_BIND_ADDRESS:-0.0.0.0} --port=${DIFY_PORT:-5001} --debug
  else
   # 如果是api，那么指定app.py为入口类
    exec gunicorn \
      --bind "${DIFY_BIND_ADDRESS:-0.0.0.0}:${DIFY_PORT:-5001}" \
      --workers