Pydantic：手动验证的终结！ ✨

golang学习网今天将给大家带来《Pydantic：手动验证的终结！ ✨》，感兴趣的朋友请继续看下去吧！以下内容将会涉及到等等知识点，如果你是正在学习文章或者已经是大佬级别了，都非常欢迎也希望大家都能给我建议评论哈~希望能帮助到大家！

pydantic 是一个 python 数据验证和设置管理库。它使用 python 类型提示来验证和解析数据，确保您的代码能够处理正确结构化和类型化的数据。通过利用 python 的类似数据类的模型结构，pydantic 可以轻松定义复杂数据的模式，并以干净的 python 方式自动验证和序列化/反序列化数据。让我们来探讨一下主要功能：

数据验证

使用 python 的类型提示根据模式自动验证输入数据。

from pydantic import basemodel, validationerror

class user(basemodel):
    id: int
    name: str
    email: str

# valid input
user = user(id=1, name="john doe", email="john@example.com")
print(user)

# invalid input
try:
    user = user(id="not-an-integer", name="jane", email="jane@example.com")
except validationerror as err:
    print(err)

每当你想定义数据模型时，请使用 pydantic.basemodel！

功能验证

pydantic 提供了强大的工具，不仅可以验证数据模型，还可以验证函数的输入和输出。这是使用 @validate_call 装饰器实现的，允许您对函数参数和返回值强制执行严格的数据验证。如果提供的参数或返回类型与预期类型不匹配，则会引发 validationerror。

from pydantic import validate_call

@validate_call
def greet(name: str, age: int) -> str:
    return f"hello {name}, you are {age} years old."

# valid input
print(greet("alice", 30))  # output: hello alice, you are 30 years old.

# invalid input
try:
    greet("bob", "not-a-number")
except exception as e:
    print(e)

通过在 @validate_call 中启用 validate_return 标志，pydantic 还将根据其带注释的返回类型验证函数的返回值。这可确保函数遵循预期的输出模式。

from pydantic import validate_call

@validate_call(validate_return=true)
def calculate_square(number: int) -> int:
    return number ** 2  # correct return type

# valid input and return
print(calculate_square(4))  # output: 16

# invalid return value
@validate_call(validate_return=true)
def broken_square(number: int) -> int:
    return str(number ** 2)  # incorrect return type

try:
    broken_square(4)
except exception as e:
    print(e)

解析

pydantic 可以将复杂的嵌套结构（包括 json 数据）解析为模型对象。

from pydantic import basemodel
from typing import list

class item(basemodel):
    name: str
    price: float

class order(basemodel):
    items: list[item]
    total: float

# json-like data
data = {
    "items": [
        {"name": "apple", "price": 1.2},
        {"name": "banana", "price": 0.8}
    ],
    "total": 2.0
}

order = order(**data) 
print(order) # items=[item(name='apple', price=1.2), item(name='banana', price=0.8)] total=2.0

序列化和反序列化

pydantic 模型可以序列化为 json 或字典并重构回来。

from pydantic import basemodel

class user(basemodel):
    id: int
    name: str
    email: str

# create a model instance
user = user(id=1, name="alice", email="alice@example.com")

# serialize to dictionary and json
user_dict = user.model_dump()
user_json = user.model_dump(mode='json')

print("dictionary:", user_dict)
print("json:", user_json)

# deserialize back to the model
new_user = user.model_validate(user_json)
print("parsed user:", new_user)

灵活的验证

数据验证不是强制类型验证。例如，如果您定义一个模型，其中 id、due_date 和优先级字段分别为 int、bool 和 datetime 类型，则可以传递：

• 数字字符串作为id
• iso-8601、utc 或其他日期格式的字符串作为 due_date
• 'yes'/'no'、'on'/'off'、'true'/'false'、1/0 等作为优先级

from sensei import apimodel
from datetime import datetime


class task(apimodel):
    id: int
    due_date: datetime
    priority: bool


task = task(due_date='2024-10-15t15:30:00', id="1", priority="yes")
print(task)

结果将是

task(id=1, due_date=datetime.datetime(2024, 10, 15, 15, 30), priority=true)

自定义验证

您还可以使用验证器在模型中定义自定义验证逻辑。它们允许您应用更复杂的验证规则，这些规则无法使用内置类型或字段约束轻松表达。验证器是通过 field_validator 装饰器或 field 对象定义的。您可以将一个或多个字段名称传递给 field_validator，以确定哪些字段将使用此验证器，或者通过“*”为每个字段应用验证器。

from typing import Any
from pydantic import Field, field_validator, EmailStr, BaseModel

class User(BaseModel):
    id: int
    username: str = Field(pattern=r'^\w+$')
    email: EmailStr
    age: int = Field(18, ge=14)
    is_active: bool = True
    roles: list[str]

    # Define validator executed 'before' internal parsing
    @field_validator('roles', mode='before')
    def _validate_roles(cls, value: Any):
        return value.split(',') if isinstance(value, str) else value

user = User(id=1, username='john', email='john@example.com', roles='student,singer')
print(user) # id=1 username='john' email='john@example.com' age=18 is_active=True roles=['student', 'singer']

开源项目

有很多由 pydantic 支持的开源项目。让我们探索其中最好的：

快速api

pydantic 最突出的用例之一是 fastapi，这是一个使用 python 构建 api 的现代 web 框架。 fastapi 广泛使用 pydantic 模型进行请求正文验证、查询参数和响应模式。

• 来源：https://github.com/fastapi/fastapi
• 文档：https://fastapi.tiangolo.com

老师

fastapi 是为构建 api 而设计的，而 sensei 则是为快速、轻松地包装这些 api 而设计的。由 sensei 提供支持的 api 客户端可确保用户获得相关的数据模型，并且不会出现令人困惑的错误。

• 来源：https://github.com/crocofactory/sensei
• 文档：https://sensei.crocofactory.dev

sqlmodel 和 typer

sqlmodel 和 typer 是 fastapi 的创建者 sebastián ramírez 开发的两个出色的项目。

sqlmodel 是一个旨在简化 python 应用程序中的数据库交互的库。 sqlmodel 构建于 sqlalchemy 和 pydantic 之上，将 orm 的强大功能与数据验证和序列化的便利性结合在一起。

• 来源：https://github.com/fastapi/sqlmodel
• 文档：https://sqlmodel.tiangolo.com

typer 是一个使用 python 创建命令行界面 (cli) 应用程序的框架。它通过使用 python 的类型提示自动生成用户友好的 cli 命令和帮助文本来简化流程。

• 来源：https://github.com/fastapi/typer
• 文档：https://typer.tiangolo.com

到这里，我们也就讲完了《Pydantic：手动验证的终结！ ✨》的内容了。个人认为，基础知识的学习和巩固，是为了更好的将其运用到项目中，欢迎关注golang学习网公众号，带你了解更多关于的知识点！