API gateway i mikroserwisy w Pythonie

Czym jest API Gateway?

API Gateway to pojedynczy punkt wejścia do systemu mikroserwisów. Pełni rolę reverse proxy, który:

• kieruje żądania do właściwych mikroserwisów,
• agreguje odpowiedzi z wielu serwisów w jedną odpowiedź,
• zarządza autoryzacją i uwierzytelnianiem,
• implementuje rate limiting i throttling,
• przekształca protokoły komunikacji (np. REST na gRPC),
• obsługuje load balancing między instancjami serwisu,
• agreguje logi i metryki z wszystkich serwisów.

Dzięki API Gateway klient nie musi wiedzieć o istnieniu wielu mikroserwisów — komunikuje się tylko z gateway'em, który zajmuje się resztą.

Dlaczego API Gateway jest potrzebny?

Bez API Gateway:

• klient musi znać adresy wszystkich mikroserwisów,
• każdy mikroserwis musi implementować autoryzację osobno,
• trudno zarządzać versioning i breaking changes,
• brak centralnego miejsca do monitorowania i logowania.

Z API Gateway:

• klient komunikuje się tylko z jednym endpointem,
• autoryzacja w jednym miejscu,
• łatwiejsze zarządzanie wersjami API,
• centralne logowanie i monitoring.

Implementacja API Gateway w Pythonie

W Pythonie możesz zbudować API Gateway używając FastAPI, Flask czy Django. FastAPI jest szczególnie dobrym wyborem ze względu na natywną obsługę asynchroniczności i łatwą integrację z innymi serwisami.

Podstawowy API Gateway z FastAPI

Python
Kopiuj
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
from fastapi import FastAPI, HTTPException, Header, Request
import httpx
import asyncio

app = FastAPI(title="API Gateway")

# Konfiguracja serwisów
SERVICES = {
"users": "http://user-service:8000",
"orders": "http://order-service:8000",
"payments": "http://payment-service:8000",
"products": "http://product-service:8000",
}

@app.get("/api/users/{user_id}")
async def get_user(user_id: int):
async with httpx.AsyncClient() as client:
response = await client.get(f"{SERVICES['users']}/users/{user_id}")
if response.status_code == 200:
return response.json()
raise HTTPException(status_code=response.status_code, detail=response.text)

@app.get("/api/orders/{order_id}")
async def get_order(order_id: int):
async with httpx.AsyncClient() as client:
# Pobierz zamówienie
order_response = await client.get(f"{SERVICES['orders']}/orders/{order_id}")
if order_response.status_code != 200:
raise HTTPException(status_code=404, detail="Order not found")

order = order_response.json()

# Agregacja danych z wielu serwisów
import asyncio
user_task = client.get(f"{SERVICES['users']}/users/{order['user_id']}")
product_tasks = [
client.get(f"{SERVICES['products']}/products/{pid}")
for pid in order.get('product_ids', [])
]

user, *products = await asyncio.gather(user_task, *product_tasks)

return {
"order": order,
"user": user.json() if user.status_code == 200 else None,
"products": [p.json() for p in products if p.status_code == 200]
}

Routing z regex i wildcards

Możesz użyć bardziej zaawansowanego routingu z FastAPI:

Python
Kopiuj
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
from fastapi import FastAPI, Request
from starlette.routing import Route, Mount

app = FastAPI()

def proxy_request(request: Request, service_name: str):
"""Proxy request do odpowiedniego mikroserwisu"""
service_url = SERVICES.get(service_name)
if not service_url:
raise HTTPException(status_code=404, detail=f"Service {service_name} not found")

# Przekieruj request do mikroserwisu
return httpx.AsyncClient().request(
method=request.method,
url=f"{service_url}{request.url.path}",
headers=dict(request.headers),
params=dict(request.query_params)
)

Autoryzacja i uwierzytelnianie w Gateway

Jedną z najważniejszych funkcji API Gateway jest centralna autoryzacja. Dzięki temu logika autoryzacji nie musi być powielana w każdym mikroserwisie.

Middleware autoryzacji

Python
Kopiuj
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
from fastapi import FastAPI, HTTPException, Depends, Header
from functools import wraps
import jwt

app = FastAPI()

SECRET_KEY = "your-secret-key"

async def verify_token(authorization: str = Header(None)):
"""Weryfikacja tokena JWT"""
if not authorization:
raise HTTPException(status_code=401, detail="Missing authorization header")

try:
token = authorization.replace("Bearer ", "")
payload = jwt.decode(token, SECRET_KEY, algorithms=["HS256"])
return payload
except jwt.ExpiredSignatureError:
raise HTTPException(status_code=401, detail="Token expired")
except jwt.InvalidTokenError:
raise HTTPException(status_code=401, detail="Invalid token")

@app.get("/api/users/{user_id}")
async def get_user(user_id: int, token_data: dict = Depends(verify_token)):
# Token jest już zweryfikowany, przekaż user_id do mikroserwisu
user_id_from_token = token_data.get("user_id")

async with httpx.AsyncClient() as client:
headers = {"X-User-ID": str(user_id_from_token)}
response = await client.get(
f"{SERVICES['users']}/users/{user_id}",
headers=headers
)
return response.json()

W ten sposób logika autoryzacji nie musi być powielana w każdym mikroserwisie. Gateway weryfikuje token i przekazuje informacje o użytkowniku do mikroserwisów w nagłówkach.

Rate limiting

Możesz również dodać rate limiting na poziomie gateway:

Python
Kopiuj
1
2
3
4
5
6
7
8
9
10
from slowapi import Limiter, _rate_limit_exceeded_handler
from slowapi.util import get_remote_address

limiter = Limiter(key_func=get_remote_address)
app.state.limiter = limiter

@app.get("/api/users/{user_id}")
@limiter.limit("10/minute")
async def get_user(request: Request, user_id: int):
...

Komunikacja między mikroserwisami

API Gateway może działać synchronicznie (REST/gRPC) lub asynchronicznie (kolejki). Wybór metody komunikacji zależy od wymagań: czy potrzebujesz natychmiastowej odpowiedzi, czy operacja może być asynchroniczna.

REST API

Prosty, czytelny i łatwy w debugowaniu. Działa w oparciu o HTTP i JSON. Dobry do systemów o niskiej złożoności.

Zalety:

• Łatwy w implementacji i debugowaniu
• Działa w każdej technologii
• Czytelny format (JSON)
• Dobrze wspierany przez narzędzia

Wady:

• Mniej wydajny niż gRPC
• Większy overhead protokołu

gRPC

Binarny protokół oparty o HTTP/2. Wysoka wydajność, automatyczne generowanie kodu klienta/serwera. Idealny dla komunikacji między serwisami w środowisku o dużej liczbie wywołań.

Przykład użycia gRPC w Gateway:

Python
Kopiuj
1
2
3
4
5
6
7
8
9
10
import grpc
from grpc import aio

@app.get("/api/users/{user_id}")
async def get_user(user_id: int):
async with grpc.aio.insecure_channel('user-service:50051') as channel:
stub = UserServiceStub(channel)
request = UserRequest(user_id=user_id)
response = await stub.GetUser(request)
return {"id": response.id, "name": response.name}

Message Queues

Kolejki wiadomości (np. RabbitMQ, Kafka) pozwalają na asynchroniczną komunikację. Idealne dla systemów event-driven: jeden mikroserwis wysyła zdarzenie, inne reagują. Umożliwia niezależność czasową między serwisami.

Przykład integracji z RabbitMQ:

Python
Kopiuj
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
import pika
import json

async def publish_event(event_type: str, data: dict):
connection = pika.BlockingConnection(pika.ConnectionParameters('rabbitmq'))
channel = connection.channel()
channel.queue_declare(queue=event_type)

channel.basic_publish(
exchange='',
routing_key=event_type,
body=json.dumps(data)
)
connection.close()

@app.post("/api/orders")
async def create_order(order: OrderCreate):
# Zapisz zamówienie
order_response = await save_order(order)

# Wyślij zdarzenie asynchronicznie
await publish_event("order_created", {"order_id": order_response["id"]})

return order_response

Service Discovery

W systemie z wieloma mikroserwisami dynamicznie uruchamianymi w kontenerach (np. Docker, Kubernetes) trudno zarządzać adresami każdego serwisu. Service Discovery rozwiązuje ten problem — pozwala mikroserwisom automatycznie się odnajdywać.

Popularne rozwiązania

Consul – rejestr usług i zdrowia serwisów. Pozwala na dynamiczne rejestrowanie i wykrywanie serwisów:

Python
Kopiuj
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
import consul

c = consul.Consul()

# Rejestracja serwisu
c.agent.service.register(
'user-service',
service_id='user-service-1',
address='user-service',
port=8000,
check=consul.Check.tcp('user-service', 8000, "10s")
)

# Odnalezienie serwisu
services = c.health.service('user-service', passing=True)[1]
service_address = f"{services[0]['Service']['Address']}:{services[0]['Service']['Port']}"

Kubernetes Service Registry – automatyczny DNS dla mikroserwisów. W Kubernetes każdy serwis ma własny DNS:

Python
Kopiuj
1
2
# W Kubernetes możesz używać nazw serwisów jako hostnames
user_service_url = "http://user-service.default.svc.cluster.local:8000"

etcd / Zookeeper – rozproszone przechowywanie metadanych usług.

Dzięki Service Discovery gateway nie musi mieć statycznej listy adresów — może pytać rejestr o aktualne lokalizacje mikroserwisów.

Dynamiczny routing z Service Discovery

Python
Kopiuj
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
from fastapi import FastAPI
import consul

app = FastAPI()
c = consul.Consul()

def get_service_url(service_name: str) -> str:
"""Pobierz URL serwisu z Consul"""
services = c.health.service(service_name, passing=True)[1]
if not services:
raise HTTPException(status_code=503, detail=f"Service {service_name} unavailable")

service = services[0]['Service']
return f"http://{service['Address']}:{service['Port']}"

@app.get("/api/{service_name}/{path:path}")
async def proxy_request(service_name: str, path: str):
service_url = get_service_url(service_name)
async with httpx.AsyncClient() as client:
response = await client.get(f"{service_url}/{path}")
return response.json()

Deployment w architekturze mikroserwisów

Każdy mikroserwis oraz gateway działa w osobnym kontenerze. Najczęściej stosuje się Docker Compose dla developmentu lub Kubernetes dla produkcji.

Przykład docker-compose.yml

YAML
Kopiuj
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
version: "3.9"

services:
gateway:
build: ./gateway
ports:
- "80:8000"
environment:
- CONSUL_HOST=consul
- REDIS_HOST=redis
depends_on:
- consul
- redis

user-service:
build: ./user-service
ports:
- "8001:8000"
environment:
- DATABASE_URL=postgresql://user:pass@user-db:5432/users
depends_on:
- user-db

order-service:
build: ./order-service
ports:
- "8002:8000"
environment:
- DATABASE_URL=postgresql://user:pass@order-db:5432/orders
- USER_SERVICE_URL=http://user-service:8000
depends_on:
- order-db
- user-service

payment-service:
build: ./payment-service
ports:
- "8003:8000"
depends_on:
- payment-db

consul:
image: consul:latest
ports:
- "8500:8500"
command: consul agent -dev -client=0.0.0.0

redis:
image: redis:7

user-db:
image: postgres:15
environment:
POSTGRES_DB: users
POSTGRES_USER: user
POSTGRES_PASSWORD: pass
volumes:
- user_data:/var/lib/postgresql/data

order-db:
image: postgres:15
environment:
POSTGRES_DB: orders
POSTGRES_USER: user
POSTGRES_PASSWORD: pass
volumes:
- order_data:/var/lib/postgresql/data

volumes:
user_data:
order_data:

Gateway nasłuchuje na porcie 80 i przekierowuje ruch do odpowiednich mikroserwisów. Komunikacja między kontenerami odbywa się po nazwach hostów w sieci Dockera.

Kubernetes deployment

Dla produkcji warto użyć Kubernetes z Service objects:

YAML
Kopiuj
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
apiVersion: apps/v1
kind: Deployment
metadata:
name: api-gateway
spec:
replicas: 2
selector:
matchLabels:
app: api-gateway
template:
metadata:
labels:
app: api-gateway
spec:
containers:
- name: gateway
image: api-gateway:latest
ports:
- containerPort: 8000
---
apiVersion: v1
kind: Service
metadata:
name: api-gateway
spec:
selector:
app: api-gateway
ports:
- port: 80
targetPort: 8000
type: LoadBalancer

Monitoring i observability

W architekturze mikroserwisów trudno diagnozować błędy, dlatego potrzebne są narzędzia do zbierania logów i metryk. Gateway powinien być pierwszym miejscem, które zbiera dane o błędach, czasie odpowiedzi i obciążeniu mikroserwisów.

Polecane narzędzia

Prometheus + Grafana – metryki wydajności:

Python
Kopiuj
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
from prometheus_client import Counter, Histogram, generate_latest
from fastapi import FastAPI, Response, Request
import time

request_count = Counter('gateway_requests_total', 'Total requests', ['service', 'method', 'status'])
request_duration = Histogram('gateway_request_duration_seconds', 'Request duration', ['service'])

@app.middleware("http")
async def track_metrics(request: Request, call_next):
start_time = time.time()
response = await call_next(request)
duration = time.time() - start_time

service_name = request.url.path.split('/')[2]# /api/{service}/...
request_count.labels(
service=service_name,
method=request.method,
status=response.status_code
).inc()
request_duration.labels(service=service_name).observe(duration)

return response

@app.get("/metrics")
def metrics():
return Response(content=generate_latest(), media_type="text/plain")

ELK Stack (Elasticsearch + Logstash + Kibana) – scentralizowane logi:

Python
Kopiuj
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
import logging
import json
from pythonjsonlogger import jsonlogger

# Konfiguracja logowania do ELK
log_handler = logging.StreamHandler()
formatter = jsonlogger.JsonFormatter()
log_handler.setFormatter(formatter)
logger = logging.getLogger()
logger.addHandler(log_handler)

@app.middleware("http")
async def log_requests(request: Request, call_next):
logger.info("request", extra={
"method": request.method,
"path": request.url.path,
"ip": request.client.host
})
response = await call_next(request)
logger.info("response", extra={
"status_code": response.status_code,
"path": request.url.path
})
return response

Jaeger / OpenTelemetry – śledzenie przepływu requestów między serwisami (distributed tracing):

Python
Kopiuj
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
from opentelemetry import trace
from opentelemetry.instrumentation.fastapi import FastAPIInstrumentor
from opentelemetry.exporter.jaeger import JaegerExporter
from opentelemetry.sdk.trace import TracerProvider
from opentelemetry.sdk.trace.export import BatchSpanProcessor

trace.set_tracer_provider(TracerProvider())
tracer = trace.get_tracer(__name__)

jaeger_exporter = JaegerExporter(
agent_host_name="jaeger",
agent_port=6831,
)

trace.get_tracer_provider().add_span_processor(
BatchSpanProcessor(jaeger_exporter)
)

FastAPIInstrumentor.instrument_app(app)

Distributed tracing pozwala śledzić request przez wszystkie serwisy, co jest kluczowe w debugowaniu problemów w rozproszonym systemie.

Zalety i wyzwania

Architektura z API Gateway ma swoje zalety i wyzwania. Ważne, aby rozumieć obie strony przed implementacją.

Zalety

• Jedno miejsce dla logiki autoryzacji i routingu — łatwiejsze utrzymanie i aktualizacja.
• Lepsze bezpieczeństwo i kontrola ruchu — centralne miejsce do implementacji zabezpieczeń.
• Możliwość wprowadzania cache i limitów żądań — optymalizacja wydajności na poziomie gateway.
• Skalowalność — gateway można replikować niezależnie od mikroserwisów.
• Uproszczenie interfejsu klienta — klient nie musi znać struktury mikroserwisów.
• Versioning API — łatwiejsze zarządzanie wersjami (np. /v1/, /v2/).

Wyzwania

• Dodatkowa warstwa infrastruktury — może być single point of failure (rozwiązanie: replikacja gateway).
• Konieczność wdrożenia monitoringu i health-checków — gateway musi monitorować stan mikroserwisów.
• Potrzeba automatycznego wykrywania usług (service discovery) — bez tego trudno zarządzać dynamicznymi serwisami.
• Potencjalne wąskie gardło — jeśli gateway nie jest skalowany, może stać się bottleneckiem.
• Zwiększona złożoność — więcej komponentów do zarządzania i monitorowania.

Rozwiązanie problemu single point of failure

Aby uniknąć single point of failure, replikuj gateway:

YAML
Kopiuj
1
2
3
4
5
6
7
# Kubernetes - wiele replik gateway z load balancerem
apiVersion: apps/v1
kind: Deployment
metadata:
name: api-gateway
spec:
replicas: 3# Trzy instancje gateway

Podsumowanie

API Gateway to kluczowy komponent każdej architektury mikroserwisowej. Zarządza ruchem, bezpieczeństwem, autoryzacją i integracją serwisów, jednocześnie ukrywając złożoność systemu przed użytkownikiem końcowym.

Python — dzięki bibliotekom takim jak FastAPI, httpx, aiohttp — pozwala stworzyć nowoczesny gateway równie wydajny jak rozwiązania w Node.js czy Go. Asynchroniczność FastAPI sprawia, że gateway może obsługiwać tysiące równoczesnych połączeń.

Jeśli planujesz architekturę mikroserwisową:

1. Zdefiniuj odpowiedzialność każdego serwisu — jasno określ granice domenowe.
2. Wprowadź API Gateway jako punkt wejścia — zacznij od prostego routingu, stopniowo dodawaj funkcjonalności.
3. Zadbaj o monitoring, service discovery i bezpieczeństwo — to kluczowe elementy, bez których system będzie trudny w utrzymaniu.
4. Replikuj gateway — unikaj single point of failure.
5. Mierz wydajność — monitoruj czasy odpowiedzi, błędy i obciążenie każdego serwisu.

Pamiętaj, że API Gateway to narzędzie — użyj go tam, gdzie ma sens. Dla małych systemów może być niepotrzebną komplikacją, ale dla większych, rozproszonych systemów jest praktycznie niezbędny.