Pydantic :一个数据验证python库 python检验数据类型

前言

Pydantic 是一个用于数据验证和解析的 Python 库，它通过声明式的方式定义数据模型，并提供了自动生成文档、验证数据等功能。

一.安装

pip install pydantic

二.基本用法

1.定义数据模型：

使用 Pydantic 定义数据模型，可以通过继承 pydantic.BaseModel 来创建模型类。在模型类中声明字段并定义它们的类型。

from pydantic import BaseModel


class User(BaseModel):
    id: int
    username: str
    email: str

2.实例化和验证：

使用定义的模型类创建实例，并进行数据验证。Pydantic 将验证数据类型和字段的其他规则。

user_data = {"id": 1, "username": "张三", "email": "zs@example.com"}


user = User(**user_data)
print(user)

如果提供的数据与模型不匹配，Pydantic 将引发 pydantic.error_wrappers.ValidationError 异常。

3.模型的字段Field验证：

Pydantic 的 Field 是一个用于定义模型字段的类，它允许你为模型中的每个字段指定类型、默认值、描述以及其他验证规则。以下是 Field 的一些常见用法：

1. 定义字段类型：通过 Field 可以明确指定字段的数据类型，确保数据的类型安全。
2. 设置默认值：可以在 Field 中为字段设置默认值，当创建模型实例时未提供该字段的值，将使用默认值。
3. 添加描述信息：可以为字段添加描述信息，这有助于生成文档或在错误消息中提供更清晰的说明。
4. 自定义验证：如果需要对字段进行额外的验证，可以在 Field 中使用 validator 参数来添加自定义的验证函数。
5. 字段别名：有时候需要在不同的上下文中使用不同的字段名，可以通过 Field 的 alias 参数来实现。
6. 控制序列化：通过 Field 的 exclude 参数，可以控制该字段是否被包含在模型的序列化输出中。
7. 读取描述：可以使用 description 属性来获取字段的描述信息，这在自动生成API文档时非常有用。
8. 额外信息：Field 还支持 title、example 等其他参数，用于提供更多关于字段的信息。
9. 继承和共享：如果多个模型中有相同的字段定义，可以使用 Field 来实现字段的继承和共享，避免重复代码。
10. 配合类型注解：Field 通常与 Python 的类型注解一起使用，以提供更强的类型检查和自动完成功能。

from pydantic import BaseModel, Field, ValidationError, field_validator


class User(BaseModel):
    id: int = Field(default=0, lt=100, gt=0)
    username: str
    email: str




if __name__ == '__main__':
    user_data = {"id": 120, "username": "张三", "email": "zs@example.com"}


    try:


        user = User(**user_data)


    except ValidationError as e:


        print(e.json(indent=4))

4.模型的额外配置

在模型中，可以通过 class Config 类来配置一些行为，例如是否启用数据解析、字段别名、校验字段的预处理函数等。

from pydantic import BaseModel, Field, ValidationError, field_validator


class User(BaseModel):


    id: int = Field(default=0, lt=100, gt=0)


    username: str


    email: str




    @field_validator('username')
    def name_must_alpha(cls, v):


        assert v.isalpha(), 'name must be alpha'


        return v


if __name__ == '__main__':


    #print(User.model_json_schema())


    user_data = {"id": 12, "username": "123", "email": "zs@example.com"}


    try:


        user = User(**user_data)


    except ValidationError as e:


        print(e.json(indent=4))

5.生成文档：

Pydantic 可以自动生成 API 文档。通过使用 schema() 方法，

from pydantic import BaseModel, Field, ValidationError, field_validator


class User(BaseModel):


    id: int = Field(default=0, lt=100, gt=0)


    username: str


    email: str




    @field_validator('username')
    def name_must_alpha(cls, v):


        assert v.isalpha(), 'name must be alpha'


        return v




if __name__ == '__main__':


    print(User.model_json_schema()

6.注意事项

1.类型注解：确保使用正确的类型提示来定义字段，以便Pydantic能够进行准确的验证。这是Pydantic强大验证功能的基础。

2.数据模型验证：当创建模型实例时，Pydantic会自动根据模型中定义的规则验证传入的数据。如果数据无效，Pydantic将抛出异常并停止验证过程。

3.错误消息：Pydantic提供友好的错误消息，帮助理解验证失败的原因。这有助于调试和用户反馈。

4.环境变量：可以使用BaseSettings从环境变量中读取系统设置，这对于配置管理非常有用。

5.序列化与反序列化：Pydantic支持数据的序列化和反序列化，可以轻松地将数据转换为Python数据结构、JSON等格式。

6.IDE集成：Pydantic与IDE和linter配合良好，可以提供更好的开发体验和代码质量。

7.嵌套模型：在模型内部使用其他模型，以创建复杂的数据结构，同时保持清晰的结构和易于管理。

8.数据转换：Pydantic会尝试将输入数据转换为模型中定义的字段类型，例如将字符串转换为整数或浮点数。

9.避免循环引用：在使用Pydantic时，应避免模型之间的循环引用，这可能会导致验证过程中的问题。

以上只是pydantic的一部分用法，更多用法请参考官方文档

https://docs.pydantic.dev/latest/