python中库pydantic的作用和基本用法

Pydantic 是 Python 中用于数据验证和解析的核心库，其主要作用是通过类型提示（Type Hints）对数据进行强制校验和转换，帮助开发者在运行时确保数据的完整性和规范性，从而提升程序的稳定性和安全性 。以下是其核心功能和基本用法：

主要作用

1. 数据验证
   对输入数据（如 API 请求、配置文件等）进行严格校验，支持基础类型、复杂嵌套结构（如列表、字典、嵌套模型）及自定义类型的验证 。
2. 数据解析与转换
   自动将原始数据（如字符串、JSON）转换为指定类型（如整数、日期），并处理默认值和别名字段 。
3. 模型管理
   通过声明式模型类（继承 BaseModel）统一管理数据结构，简化代码逻辑 。
4. 友好的错误提示
   在数据无效时提供详细的报错信息，便于快速定位问题 。

基本用法

1. 定义数据模型
   通过继承 pydantic.BaseModel 创建模型类，并在类中声明字段及其类型：

   from pydantic import BaseModelclass User(BaseModel):name: strage: int = 18  # 默认值
   

   此时 User 模型会强制校验 name（必须为字符串）和 age（必须为整数，默认值为18）。

2. 实例化与验证
   实例化模型时，Pydantic 会自动校验数据并抛出异常：

   user = User(name="Alice", age=25)  # 合法数据
   invalid_user = User(name=123, age="twenty")  # 报错：类型不匹配
   

   错误示例会触发 ValidationError，包含具体错误原因 。

3. 数据解析与序列化
   支持将原始数据（如 JSON）解析为模型对象，并可反向导出为字典或 JSON：

   data = {"name": "Bob", "age": 30}
   user = User(**data)  # 解析
   print(user.model_dump())  # 序列化为字典
   

4. 高级特性

   • 嵌套模型：字段可以引用其他模型类。
   • 自定义校验器：通过 @field_validator 添加业务规则（如检查年龄范围）。
   • 环境变量支持：结合 BaseSettings 管理应用配置 。

优势与适用场景

• 易用性：声明式语法直观简洁，减少冗余校验代码 。
• 广泛集成：常用于 FastAPI、Starlette 等框架中处理请求/响应数据 。
• 灵活性：支持动态模型生成、延迟校验（model_validate）等场景 。