メインコンテンツへスキップ
見出し画像

データを使ってやりとりする仕組みを覚えて学び始める!PythonでつくるFastAPI超入門

  • セール中


はじめに


全体像がなんとなく見えてから学び始めた方がマスターできるとおもいます!

色々な本を読むと当然基本から丁寧にかかれているのですがいまいち一つ一つはなんとなく理解がすすんでも全体像がなんとなく見えない...そんな経験ありませんか?私はあります。おおいにあります。

小説ならそれでいいですが、技術となると全体の今この辺だな、こうしたら次あれにつながるのだな、とかわかりながら学習したほうが最終的な見通しが良くなると思います。

そこで、今回は"データを使ってやりとりする仕組みを覚えてアプリつくりを学び始める!PythonでつくるFastAPI超入門"としてまとめてみました。

入り口部分がいきなりにすぎるかもしれませんが、コードがどうこうというより概念的なところを先に覚える構成にしてみました。では早速説明します。

「WebアプリやAPIの仕組みって、結局どこで何をしているの?」
「チュートリアルをコピペして動いたけれど、自分の作りたいデータに置き換えるときにどこを直せばいいのかわからない……」
そんな「最初の壁」を乗り越えるための記事です。
この記事では、「データベース(SQLite)を用意する → Python(FastAPI)でデータを扱う仕組みを作る → フロントエンド(HTML/JavaScript)から呼び出して保存・取得する」までの一連の流れを、1つも省略せずにハンズオンで体験します。
専門用語も「何のためにあるのか(役割)」から噛み砕いて解説するので、読み終えて手を動かしたときには、「自分で別のデータ・別のアプリに応用するための土台(基本のき)」が身につきます。
この記事でゴールにすること
* データのやりとりの全体像(フロントエンド ↔ FastAPI ↔ データベース)が頭の中でつながる
* FastAPIの7つの基本ステップ(DB選定・接続・依存性注入・モデル・サービス・ルーター・統合)の役割がわかる
* SQLiteファイルとテーブルを先に作って確認する安全な進め方がわかる
* 既存のテーブルに合わせる場合と新しく作る場合の違い、およびバリデーションの役割分担がわかる
* HTML+JavaScriptの簡単な画面からAPIを呼び出し、データが保存・表示されるまでを動かせる

1. まずは「全体像」をつかもう:データのやりとりはどう進む?

私たちが作る仕組みは、大きく次の3つが連携して動きます。
* フロントエンド(画面側:HTML / JavaScript)
  ユーザーが文字を入力してボタンを押したり、一覧を表示したりする画面です。
* バックエンド(API側:FastAPI / Python)
  画面からのリクエスト(例:「タスク一覧をちょうだい」「新しいタスクを追加して」)を受け取り、ルールを確認してデータベースに指示を出し、結果を画面に返します。
* データベース(保存先:SQLite)
  データを消えない形(ファイルなど)で保管する場所です。
たとえば「新しいタスクを追加する」ときは、次のようにデータが流れます。
[フロントエンド: 入力して「追加」クリック]
       │  JSONデータ(例: {"title": "牛乳を買う"})を送信
       ▼
[FastAPI: ルーター → サービス]
       │  入力チェック(Pydantic)をして、SQLAlchemyで保存命令
       ▼
[データベース: SQLite(todos.db)]
       │  テーブルに保存し、保存されたデータ(id付きなど)を返す
       ▼
[FastAPI → フロントエンド: 結果をJSONで返す]
       │
       ▼
[フロントエンド: 画面の一覧を更新して表示]

大切なポイント:
フロントエンドが直接データベースを触るのではなく、間にFastAPI(API)をはさむことで、「不正なデータを弾く」「処理ルールをまとめる」「保存先が変わっても画面側のやり方を統一できる」といったメリットが生まれます。

2. FastAPI + データベースの基本的な7つの流れ



FastAPIでデータベースとやりとりするコードは、役割ごとにファイルを分けると見通しがよくなり、あとから修正や応用もしやすくなります。基本の流れは次の7ステップです。
* もととなるデータベースを決める
  PostgreSQL、MySQL、SQLiteなど、どこにデータを保存するかを決めます。
* そのデータベースに接続する設定を作る
  database.py などで、接続先情報やエンジン(DBと通信するための土台)を定義します。
* 依存として注入するためのファイルを作る
  dependencies.py に get_db() のような関数を書きます。リクエストごとにDB接続を渡し、終わったら閉じる役割を担当します。
* 使うデータだけをモデルに定義する
  models.py で「どのテーブルの、どのカラムを使うか」を定義します。DB全体を取り込むのではなく、このアプリで使う部分をモデル化します。
* モデルをもとに、どんなものを返したいかをサービスで作る
  services/ に「データを取る・加工する・保存する」関数を書きます。
* サービスを呼ぶためにルーティングする
  routers/ でURLの入口(エンドポイント)を作り、Depends でDB接続を受け取り、サービスを呼び出します。
* ルーティングをまとめておく
  main.py で include_router を使って全部登録し、アプリ全体を起動できるようにします。
「なぜこんなにファイルを分けるの?」と思うかもしれませんが、「接続」「データの形」「処理の中身」「URLの入口」「全体のまとめ」を分けることで、どこに何があるかが迷子にならなくなります。

3. 慣れないうちは「DBとテーブルを先に作る」のがおすすめな理由



これからハンズオンを進めるにあたり、最初に押さえておきたい大切な考え方があります。
それは、「慣れないうちは、データベースとテーブルを先に作って目で確認できる状態にする」ことです。
Python側の機能(create_all)だけでテーブルを自動作成する方法もありますが、最初は裏側で何が起きたか見えにくく、エラーが出たときに原因を切り分けにくくなります。
DB・テーブルを先に作るメリット
* 実際のDBの形とコードを比べやすい
  テーブルの列名や型がはっきり見えているので、Python側のモデルを書くときに迷いにくくなります。
* 「DB側の問題」か「Python / FastAPI側の問題」かを切り分けやすい
  テーブルがすでに存在していれば、「そもそもテーブルが作れていない」という原因を最初に除外できます。
* 保存された中身を直接見て確かめられる
  API経由で追加したあと、DBの中身を見て「本当に保存されているか」を自分の目で確認できます。

4. よくある疑問:既存のDB/テーブルがある場合と、ない場合の違い



ここが一番つまずきやすく、同時に「自分のアプリに汎用化するとき」に必ずぶつかるポイントです。しっかり整理しておきましょう。
ケースA:もとのDBとテーブルが「すでにある」場合
* 既存のテーブル構造(カラム名・型・制約)に合わせて models.py の class を作る必要があります。
* 「データを見ながら」というより、正確にはテーブル定義(列名、型、NOT NULL などの制約)に合わせます。
* もし既存テーブルで必須(NOT NULL)になっているカラムがあるのに、値を渡さずに追加しようとするとDBエラーになるため、必須か任意かも意識します。
* ※ Python側の変数名とDBのカラム名を変えたい場合は、SQLAlchemy側でマッピング指定することもできますが、最初は同じ名前・同じ型に合わせるのが一番シンプルで安全です。
ケースB:もとのDBはあり、テーブルが「まだない」場合
* 作りたいものに合わせて models.py を書き、create_all(またはマイグレーション)を実行すれば、その定義をもとにテーブルが作られます。
* ただし、ここで「バリデーションチェック」の役割分担に注意が必要です。
超重要:「テーブル作成・DB制約」と「入力バリデーション」は別物!
* テーブル定義・DB側(SQLAlchemy / DB)
  テーブルの構造やカラムの型、必須(NOT NULL)などのデータベースとしてのルールを担います。
  ※ なお、SQLAlchemyの Base.metadata.create_all() は「テーブルがないときに作る」のは得意ですが、「すでにテーブルがある状態でカラムを変更・追加する」といった変更は自動反映してくれません。開発初期のプロトタイプでは便利ですが、運用が進んでデータを残したまま構造を変えたくなったら、Alembic などのマイグレーションツールを使うのが一般的です。
* 入力値のバリデーション(Pydantic / FastAPI)
  フロントエンドやAPIリクエストから送られてきた値(例:「文字数制限」「空文字を許さない」「数値の範囲」「型チェック」など)をチェックするのは、基本的に Pydantic(schemas.py)と FastAPI の役割です。
  モデルを書いただけでは細かい入力ルールは自動で入らないため、schemas.py 側で定義します。
迷ったらこの基準でOK!
* DB・テーブルあり → 既存テーブルのカラム名と型に合わせて models.py を作る
* DB・テーブルなし → 作りたい構造に合わせて変数名・型を決めて models.py を書き、create_all で作成する(入力チェックは schemas.py で行う)
まずはこのシンプルなルールで進めるのが、一番迷いが少なく安全です。

 
 

flux-s

 
 
AI関連、データサイエンスを楽しく使いこなせるようにしたいです

あなたへのおすすめ