前言
Pydantic 是一个用于数据验证和设置管理的 Python 库。它通过使用 Python 类型注解（type hints），提供了简单而高效的数据验证机制。Pydantic 的核心组件是 BaseModel 类，通过继承这个类，我们可以定义具有数据验证和序列化功能的模型。
定义基本模型
Pydantic 使用 BaseModel 类作为所有模型的基类。通过继承 BaseModel，我们可以定义一个数据模型。以下是一个简单的示例：
pythonfrom pydantic import BaseModel class User(BaseModel): id: int name: str age: int email: str
在这个例子中，我们定义了一个 User 模型，包含 id 、name 、age 和 email 四个字段，每个字段都有明确的类型注解。
创建模型实例
我们可以通过传递字典或关键字参数来创建模型实例。Pydantic 会自动验证传入的数据，并在必要时进行类型转换。
pythonuser = User(id=1, name='Alice', age=30, email='[email protected]')print(user)
如果传入的数据不符合定义的类型，Pydantic 会抛出验证错误。例如，以下代码会引发一个验证错误，因为 age 应该是一个整数：
pythontry: user = User(id=1, name='Alice', age='thirty', email='[email protected]')except ValueError as e: print(e)
数据验证与错误处理
Pydantic 提供了详细的错误信息，帮助我们快速定位问题。我们可以通过捕获 ValidationError 异常来处理这些错误。
pythonfrom pydantic import ValidationErrordata = {'id': 1, 'name': 'Alice', 'age': 'thirty', 'email': '[email protected]'}try: user = User(**data)except ValidationError as e: print(e.json())
上述代码会输出验证错误的详细信息，包括哪个字段验证失败以及失败的原因。
默认值与可选字段
在定义模型时，我们可以为字段设置默认值，或将字段设为可选。使用 Optional 类型注解可以定义可选字段。
pythonfrom typing import Optional class User(BaseModel): id: int name: str age: Optional[int] = None email: str = '[email protected]'
在这个例子中， age 字段是可选的，默认值为 None ，而 email 字段有一个默认值 '[email protected]' 。
嵌套模型
Pydantic 允许我们在一个模型中嵌套另一个模型，这对于复杂的数据结构非常有用。
python class Address(BaseModel): street: str city: str zip_code: str class User(BaseModel): id: int name: str age: int email: str address: Addressaddress_data = {'street': '123 Main St', 'city': 'New York', 'zip_code': '10001'}user_data = {'id': 1, 'name': 'Alice', 'age': 30, 'email': '[email protected]', 'address': address_data}user = User(**user_data)print(user)
在这个例子中，我们定义了一个 Address 模型，并在 User 模型中嵌套了 Address 模型。
数据序列化与反序列化
Pydantic 提供了方便的方法来序列化和反序列化模型实例。例如，我们可以将模型实例转换为字典或 JSON 格式：
pythonuser_dict = user.dict()user_json = user.json()print(user_dict)print(user_json)
我们还可以通过解析 JSON 数据来创建模型实例：
pythonjson_data = '{"id": 1, "name": "Alice", "age": 30, "email": "[email protected]", "address": {"street": "123 Main St", "city": "New York", "zip_code": "10001"}}'user = User.parse_raw(json_data)print(user)
总结
Pydantic 的 BaseModel 提供了强大的数据验证和序列化功能，使得数据处理更加安全和高效。通过定义清晰的类型注解和模型，我们可以轻松地管理和验证复杂的数据结构。
