前言
在处理来自系统外部的数据，如API、终端用户输入或其他来源时，我们必须牢记开发中的一条基本原则：“永远不要相信用户的输入”。
因此，我们必须对这些数据进行严格的检查和验证，确保它们被适当地格式化和标准化。这样做的目的是为了确保这些数据符合我们的程序所需的输入规范，从而保障项目能够正确且高效地运行。
为什么使用 Python 的 Pydantic 库？
Pydantic 是一个在 Python 中用于数据验证和解析的第三方库，它现在是 Python 使用最广泛的数据验证库。
声明式的方式定义数据模型和Python 类型提示的强大功能来执行数据验证和序列化，使您的代码更可靠、更可读、更简洁且更易于调试。。它还可以从模型生成 JSON 架构，提供了自动生成文档等功能，从而轻松与其他工具集成。 Pydantic 在很多优秀的项目中被广泛使用。
Pydantic 的一些主要特性
易用性
Pydantic 使用起来简单直观，需要最少的样板代码和配置。它适用于许多流行的 IDE 和静态分析工具，例如 PyCharm、VS Code、mypy 等。Pydantic 可以轻松与其他流行的 Python 库（如 Flask、Django、FastAPI 和 SQLAlchemy）集成，使其易于在现有项目中使用。
类型注解
Pydantic 使用类型注解来定义模型的字段类型,以确保确保数据符合预期的类型和格式。你可以使用Python 内置的类型、自定义类型或者其他Pydantic 提供的验证类型。
数据验证，用户友好的错误
Pydantic 自动根据模型定义进行数据验证。它会检查字段的类型、长度、范围等，并自动报告验证错误，Pydantic 会提供信息丰富且可读的错误消息，包括错误的位置、类型和输入。你可以使用 ValidationError 异常来捕获验证错误。
序列化与反序列化
Pydantic 提供了从各种数据格式（例如 JSON、字典）到模型实例的转换功能。它可以自动将输入数据解析成模型实例，并保留类型安全性和验证规则。
性能高
Pydantic 的核心验证逻辑是用 Rust 编写的，使其成为 Python 中最快的数据验证库之一。它还支持延迟验证和缓存，以提高效率。
Pydantic和内置的dataclasses非常的像，主要区别在于Pydantic拥有更加强大的数据验证和序列化功能。
安装
安装 Pydantic 非常简单：
pip install pydantic[email] # 会用到邮箱校验，直接在这一起安装了如何使用 Pydantic？
使用 Pydantic 的主要方法是创建继承自 BaseModel 的自定义类，这是所有 Pydantic 模型的基类。然后，您可以使用类型注释定义模型的属性，并选择性地提供默认值或验证器。
pydantic的核心是模型（Model）
例如，让我们为用户创建一个简单的模型，并使用 Python 的类型注解来声明期望的数据类型：
#! -*-conding: UTF-8 -*-# @公众号: 海哥pythonfrom enum import Enumfrom datetime import datetimefrom typing import List, Optionalfrom pydantic import BaseModel, ValidationError, EmailStr# 导入pydantic对应的模型基类from pydantic import constr, conintclass GenderEnum(str, Enum): """ 性别枚举 """ male = "男" female = "女"class User(BaseModel): id: int name: str = "小卤蛋" age: conint(ge=0, le=99) # 整数范围：0 <= age <= 99 email: EmailStr signup_ts: Optional[datetime] = None friends: List[str] = [] password: constr(min_length=6, max_length=10) # 字符长度 phone: constr(pattern=r'^1\d{10}$') # 正则验证手机号 sex: GenderEnum # 枚举验证, 能传: 男和女我们定义了一个名为User的类，继承自BaseModel。
id属性是整型，且是必需的，表示用户ID。name属性是字符串类型，默认值为’小卤蛋’。age属性是整型，且是必需的，表示用户年龄。email属性是电子邮件地址类型。signup_ts属性是可选的日期时间类型，默认值为None，表示用户注册时间。friends属性是字符串列表类型，默认值为空列表，表示用户的朋友列表。sex属性是枚举类型，可选值为“男”或“女”，表示用户的性别。 验证数据
一旦你定义了模型，你可以使用它来验证数据。
如果要从字典实例化 User 对象，可以使用字典对象解包或者.model_validate()、.model_validate_json()类方法：
if __name__ == '__main__': user_data = { "id": 123, "name": "小卤蛋", "age": 20, "email": "xiaoludan@example.com", 'signup_ts': '2024-07-19 00:22', 'friends': ["公众号：海哥python", '小天才', b''], 'password': '123456', 'phone': '13800000000', 'sex': '男' } try: # user = User(**user_data) user = User.model_validate(user_data) print(f"User id: {user.id}, User name: {user.name}, User email: {user.email}") except ValidationError as e: print(f"Validation error: {e.json()}")都符合模型定义的情况下，您可以像往常一样访问模型的属性：
User id: 123, User name: 小卤蛋, User email: xiaoludan@example.com如果数据不符合模型的定义(以下故意不传 id 字段)，Pydantic 将抛出一个 ValidationError。
if __name__ == '__main__': user_data = { # "id": 123, "name": "小卤蛋", "age": 20, "email": "xiaoludan@example.com", 'signup_ts': '2024-07-19 00:22', 'friends': ["公众号：海哥python", '小天才', b''], 'password': '123456', 'phone': '13800000000', 'sex': '男' } try: # user = User(**user_data) user = User.model_validate(user_data) print(f"User id: {user.id}, User name: {user.name}, User email: {user.email}") except ValidationError as e: print(f"Validation error: {e.json()}")报错：
Validation error: [{"type":"missing","loc":["id"],"msg":"Field required","input":{"name":"小卤蛋","age":20,"email":"xiaoludan@example.com","signup_ts":"2024-07-19 00:22","friends":["公众号：海哥python","小天才",""],"password":"123456","phone":"13800000000","sex":"男"},"url":"https://errors.pydantic.dev/2.8/v/missing"}]自定义验证
除了内置的验证器，还可以为模型定义自定义验证器。假设要确保用户年龄在18岁以上，可以使用@field_validator装饰器创建一个自定义验证器：
# ! -*-conding: UTF-8 -*-# @公众号: 海哥pythonfrom datetime import datetimefrom typing import List, Optionalfrom pydantic import BaseModel, EmailStr, field_validator, ValidationErrordef check_name(v: str) -> str: """Validator to be used throughout""" if not v.startswith("小"): raise ValueError("must be startswith 小") return vclass User(BaseModel): id: int name: str = "小卤蛋" age: int email: EmailStr signup_ts: Optional[datetime] = None friends: List[str] = [] validate_fields = field_validator("name")(check_name) @field_validator("age") @classmethod def check_age(cls, age): if age < 18: raise ValueError("用户年龄必须大于18岁") return age当尝试创建一个只有12岁的小朋友用户:
if __name__ == '__main__': user_data = { "id": 123, "name": "小卤蛋", "age": 12, "email": "xiaoludan@example.com", 'signup_ts': '2024-07-19 00:22', 'friends': ["公众号：海哥python", '小天才', b''], } try: user = User(**user_data) except ValidationError as e: print(f"Validation error: {e.json()}")将得到一个错误：
Validation error: [{"type":"value_error","loc":["age"],"msg":"Value error, 用户年龄必须大于18岁","input":12,"ctx":{"error":"用户年龄必须大于18岁"},"url":"https://errors.pydantic.dev/2.8/v/value_error"}]或者，当name不是小开头的话:
if __name__ == '__main__': user_data = { "id": 123, "name": "大卤蛋", "age": 20, "email": "xiaoludan@example.com", 'signup_ts': '2024-07-19 00:22', 'friends': ["公众号：海哥python", '小天才', b''], } try: user = User(**user_data) except ValidationError as e: print(f"Validation error: {e.json()}")将得到报错：
Validation error: [{"type":"value_error","loc":["name"],"msg":"Value error, must be startswith 小","input":"大卤蛋","ctx":{"error":"must be startswith 小"},"url":"https://errors.pydantic.dev/2.8/v/value_error"}]如果要同时动态校验多个字段，还可以使用model_validator装饰器。
# ! -*-conding: UTF-8 -*-# @公众号: 海哥pythonfrom datetime import datetimefrom typing import List, Optionalfrom typing_extensions import Self # 如果python版本不低于3.11，则可以直接从typing中导入Selffrom pydantic import BaseModel, ValidationError, EmailStr, field_validator, model_validatordef check_name(v: str) -> str: """Validator to be used throughout""" if not v.startswith("小"): raise ValueError("must be startswith 小") return vclass User(BaseModel): id: int name: str = "小卤蛋" age: int email: EmailStr signup_ts: Optional[datetime] = None friends: List[str] = [] validate_fields = field_validator("name")(check_name) @field_validator("age") @classmethod def check_age(cls, age): if age < 18: raise ValueError("用户年龄必须大于18岁") return age @model_validator(mode="after") def check_age_and_name(self) -> Self: if self.age < 30 and self.name != "小卤蛋": raise ValueError("用户年龄必须小于30岁, 且名字必须为小卤蛋") return selfif __name__ == '__main__': user_data = { "id": 123, "name": "小小卤蛋", "age": 20, "email": "xiaoludan@example.com", 'signup_ts': '2024-07-19 00:22', 'friends': ["公众号：海哥python", '小天才', b''], } try: user = User(**user_data) print(user.model_dump()) except ValidationError as e: print(f"Validation error: {e.json()}")执行结果：
Validation error: [{"type":"value_error","loc":[],"msg":"Value error, 用户年龄必须小于30岁, 且名字必须为小卤蛋","input":{"id":123,"name":"小小卤蛋","age":20,"email":"xiaoludan@example.com","signup_ts":"2024-07-19 00:22","friends":["公众号：海哥python","小天才",""]},"ctx":{"error":"用户年龄必须小于30岁, 且名字必须为小卤蛋"},"url":"https://errors.pydantic.dev/2.8/v/value_error"}]validate_call也是在我看来非常有用的装饰器。
from typing import Annotatedfrom pydantic import BaseModel, Field, validate_callclass Person(BaseModel): name: str = Field(..., min_length=1, max_length=100) age: int = Field(..., gt=0, lt=20)# @validate_calldef greet(person: Person, message: Annotated[str, Field(min_length=1, max_length=100)]): print(f"Hello, {person.name}! {message}")# 正确的调用greet(Person(name="公众号：海哥python", age=18), "How are you?")greet(Person(name="公众号：海哥python", age=18), 1)
在不使用validate_call的情况下，虽然pycharm中会提示1类型不匹配，但是实际执行时并不会报错。
然而，我们通常是希望定义和使用要符合我们的预期，以避免不可预见的错误。
此时validate_call装饰器就可以很好的为我们实现这一需求。
from typing import Annotatedfrom pydantic import BaseModel, Field, validate_callclass Person(BaseModel): name: str = Field(..., min_length=1, max_length=100) age: int = Field(..., gt=0, lt=20)@validate_calldef greet(person: Person, message: Annotated[str, Field(min_length=1, max_length=100)]): print(f"Hello, {person.name}! {message}")# 错误的调用，将引发验证错误try: greet(Person(name="公众号：海哥python", age=18), 1)except Exception as e: print(e)此时，执行会报错：
1 validation error for greet1 Input should be a valid string [type=string_type, input_value=1, input_type=int] For further information visit https://errors.pydantic.dev/2.5/v/string_type计算属性
字段可能派生自其他字段，比如年龄一般会根据生日和当前日期动态计算得出、面积通过长和宽动态计算等。
以下我们动态增加link字段为例：
#! -*-conding: UTF-8 -*-# @公众号: 海哥pythonfrom datetime import datetimefrom typing import List, Optionalfrom pydantic import BaseModel, ValidationError, EmailStr, computed_fieldclass User(BaseModel): id: int name: str = "小卤蛋" age: int email: EmailStr signup_ts: Optional[datetime] = None friends: List[str] = [] @computed_field # 计算属性 @property def link(self) -> str: return f"尼古拉斯 · {self.name}"if __name__ == '__main__': user_data = { "id": 123, "name": "小卤蛋", "age": 20, "email": "xiaoludan@example.com", 'signup_ts': '2024-07-19 00:22', 'friends': ["公众号：海哥python", '小天才', b''], } # try: user = User(**user_data) print(f"{user.model_dump()} .... type: {type(user.model_dump())}") except ValidationError as e: print(f"Validation error: {e.json()}")输出结果为（序列化后会发现多了link字段）：
{'id': 123, 'name': '小卤蛋', 'age': 20, 'email': 'xiaoludan@example.com', 'signup_ts': datetime.datetime(2024, 7, 19, 0, 22), 'friends': ['公众号：海哥python', '小天才', ''], 'link': '尼古拉斯 · 小卤蛋'} .... type: <class 'dict'>管理配置
pip install pydantic_settings 使用Pydantic的BaseSettings可以很方便的管理应用程序的配置。
# ! -*-conding: UTF-8 -*-# @公众号: 海哥pythonimport os# 从pydantic模块导入HttpUrl和Field类，用于设置和验证配置数据的类型和约束from pydantic import HttpUrl, Field# 从pydantic_settings模块导入BaseSettings类，作为配置类的基类from pydantic_settings import BaseSettings# 初始化环境变量，这些环境变量将用于配置应用程序的数据库和API访问os.environ['DATABASE_HOST'] = "http://baidu.com"os.environ['DATABASE_USER'] = "公众号：海哥python"os.environ['DATABASE_PASSWORD'] = "123456abcd"os.environ['API_KEY'] = "DHKSDsdh*(sdds"class AppConfig(BaseSettings): """ 应用程序配置类，继承自BaseSettings，用于管理应用程序的配置信息。 Attributes: database_host: 数据库主机的URL，必须是一个有效的HTTP或HTTPS URL。 database_user: 数据库用户的名称，最小长度为5个字符。 database_password: 数据库用户的密码，最小长度为10个字符。 api_key: API访问的密钥，最小长度为8个字符。 """ # 定义配置项database_host，类型为HttpUrl，确保其为有效的HTTP或HTTPS URL database_host: HttpUrl # 定义配置项database_user，类型为字符串，默认最小长度为5 database_user: str = Field(min_length=5) # 定义配置项database_password，类型为字符串，默认最小长度为10 database_password: str = Field(min_length=10) # 定义配置项api_key，类型为字符串，默认最小长度为8 api_key: str = Field(min_length=8)# 打印配置类的实例化对象的模型信息，用于调试和确认配置的正确性print(AppConfig().model_dump())执行结果：
{'database_host': Url('http://baidu.com/'), 'database_user': '公众号：海哥python', 'database_password': '123456abcd', 'api_key': 'DHKSDsdh*(sdds'}如果是配置文件等，则可以通过model_config进行配置。
新建一个.env配置文件：
DATABASE_HOST=http://baidu.comDATABASE_USER=公众号：海哥pythonDATABASE_PASSWORD=123456abcdAPI_KEY=DHKSDsdh*(sdds# ! -*-conding: UTF-8 -*-# @公众号: 海哥python# 导入Pydantic的HttpUrl和Field类，用于配置验证from pydantic import HttpUrl, Field# 导入BaseSettings和SettingsConfigDict类，用于设置配置类的基础行为和配置字典from pydantic_settings import BaseSettings, SettingsConfigDictclass AppConfig(BaseSettings): """ 应用配置类，继承自BaseSettings，用于定义和管理应用的配置项。 Attributes: model_config: 配置模型的设置，用于指定.env文件的位置、编码方式、是否大小写敏感以及额外的配置策略。 database_host: 数据库主机的URL，必须是一个有效的HTTP或HTTPS URL。 database_user: 数据库用户的名称，最小长度为5个字符。 database_password: 数据库用户的密码，最小长度为10个字符。 api_key: API的密钥，最小长度为8个字符。 """ # 定义配置模型的设置，包括.env文件位置、编码、大小写敏感性和额外参数策略 model_config = SettingsConfigDict( env_file=".env", env_file_encoding="utf-8", case_sensitive=False, extra="forbid", ) # 数据库主机的URL，必须是一个有效的HTTP或HTTPS URL database_host: HttpUrl # 数据库用户的名称，最小长度为5个字符 database_user: str = Field(min_length=5) # 数据库用户的密码，最小长度为10个字符 database_password: str = Field(min_length=10) # API的密钥，最小长度为8个字符 api_key: str = Field(min_length=8)# 打印配置类的实例化对象的模型信息，用于调试和确认配置的正确性print(AppConfig().model_dump())执行结果：
{'database_host': Url('http://baidu.com/'), 'database_user': '公众号：海哥python', 'database_password': '123456abcd', 'api_key': 'DHKSDsdh*(sdds'}嵌套数据模型
Pydantic 支持嵌套的数据模型，方便管理复杂的数据结构。以下是一个示例代码：
#! -*-conding: UTF-8 -*-# @公众号: 海哥pythonfrom typing import Listfrom pydantic import BaseModel, conintclass Friend(BaseModel): name: str age: conint(gt=0, le=99)class User(BaseModel): name: str age: conint(gt=0, le=99) friends: List[Friend]# 创建并验证数据user_data = { 'name': '公众号：海哥python', 'age': 30, 'friends': [{'name': '小卤蛋', 'age': 3}, {'name': '李元芳', 'age': 18}]}user = User(**user_data)print(user) # name='公众号：海哥python' age=30 friends=[Friend(name='小卤蛋', age=3), Friend(name='李元芳', age=18)]Field 对象
Pydantic 的 Field 函数是一个强大的工具，它允许你在模型字段上设置额外的验证规则和默认值。Field 函数通常与模型字段一起使用，以提供更多的定制选项。
以下是一些常用的参数：
| 参数 | 具体含义 |
|---|---|
... | 表示该字段是必填项 |
default | 用于定义字段的默认值 |
default_factory | 用于定义字段的默认值函数 |
alias | 字段定义别名 |
validation_alias | 字段定义别名，只想将别名用于验证 |
serialization_alias | 字段定义别名，只想定义用于序列化的别名 |
gt、lt、ge等 | 约束数值，大于、小于、大于或等于等 |
min_length、max_length等 | 约束字符串 |
min_items、max_items等 | 元组、列表或集合约束 |
validate_default | 控制是否应验证字段的默认值，默认情况下，不验证字段的默认值。 |
strict | 指定是否应在“严格模式”下验证字段 |
frozen | 用于模拟冻结的数据类行为 |
exclude | 用于控制导出模型时应从模型中排除哪些字段 |
pattern | 对于字符串字段，您可以设置为 pattern 正则表达式以匹配该字段所需的任何模式。 |
#! -*-conding: UTF-8 -*-# @公众号: 海哥pythonfrom pydantic import BaseModel, Field, EmailStr, ValidationError, SecretStrfrom typing import List, Optionalfrom datetime import datetimeclass User(BaseModel): id: int = Field(..., alias="_id", frozen=True, strict=True) # 设置别名，创建后id不能被修改，id不能是字符串形式的“123”传入 name: str = Field(default="小卤蛋", min_length=1, max_length=100) # 设置默认值，使用 min_length 和 max_length 来限制字符串长度 age: int = Field(gt=0) # 支持各类条件验证，这里假设年龄必须大于0 email: EmailStr signup_ts: Optional[datetime] = Field(default_factory=datetime.now, nullable=False, validate_default=True) friends: List[str] = Field(default=[], min_items=0) passwd: SecretStr = Field(min_length=6, max_length=20, exclude=True) # passwd不会被序列化if __name__ == '__main__': print(User.model_json_schema()) user_data = { "_id": 123, # 使用别名 _id "name": "小卤蛋", "age": 20, "email": "xiaoludan@example.com", # 'signup_ts': '2024-07-19 00:22', 'friends': ["公众号：海哥python", '小天才', b''], "passwd": "123456" } try: user = User(**user_data) print(f"创建用户: {user}") print(f"转成字典形式： {user.model_dump()} .... type: {type(user.model_dump())}") print(f"转成json格式：{user.model_dump_json()} .... type: {type(user.model_dump_json())}") print(f"用户属性： User id: {user.id}, User name: {user.name}, User email: {user.email}") # user.id = 456 # 这里修改会报错 except ValidationError as e: print(f"Validation error: {e.json()}")将得到结果：
{'properties': {'_id': {'title': ' Id', 'type': 'integer'}, 'name': {'default': '小卤蛋', 'maxLength': 100, 'minLength': 1, 'title': 'Name', 'type': 'string'}, 'age': {'exclusiveMinimum': 0, 'title': 'Age', 'type': 'integer'}, 'email': {'format': 'email', 'title': 'Email', 'type': 'string'}, 'signup_ts': {'anyOf': [{'format': 'date-time', 'type': 'string'}, {'type': 'null'}], 'nullable': False, 'title': 'Signup Ts'}, 'friends': {'default': [], 'items': {'type': 'string'}, 'minItems': 0, 'title': 'Friends', 'type': 'array'}, 'passwd': {'maxLength': 20, 'minLength': 6, 'title': 'Passwd', 'type': 'string'}}, 'required': ['_id', 'age', 'email', 'passwd'], 'title': 'User', 'type': 'object'}创建用户: id=123 name='小卤蛋' age=20 email='xiaoludan@example.com' signup_ts=datetime.datetime(2024, 7, 23, 11, 22, 46, 137194) friends=['公众号：海哥python', '小天才', ''] passwd='123456'转成字典形式： {'id': 123, 'name': '小卤蛋', 'age': 20, 'email': 'xiaoludan@example.com', 'signup_ts': datetime.datetime(2024, 7, 23, 11, 22, 46, 137194), 'friends': ['公众号：海哥python', '小天才', '']} .... type: <class 'dict'>转成json格式：{"id":123,"name":"小卤蛋","age":20,"email":"xiaoludan@example.com","signup_ts":"2024-07-23T11:22:46.137194","friends":["公众号：海哥python","小天才",""]} .... type: <class 'str'>用户属性： User id: 123, User name: 小卤蛋, User email: xiaoludan@example.comConfig 配置选项
如果要对BaseModel中的某一基本型进行统一的格式要求，我们还可以使用Config类来实现。
以下是一些 Config 类中常见的属性及其含义：
| 参数 | 取值类型 | 具体含义 |
|---|---|---|
str_min_length | int | str 类型的最小长度，默认值为None |
str_max_length | int | str 类型的最大长度。默认值为None |
extra | str | 在模型初始化期间是否忽略、允许或禁止额外的属性。默认值为 ‘ignore’。allow - 允许任何额外的属性。forbid - 禁止任何额外的属性。ignore - 忽略任何额外的属性。 |
frozen | bool | 模型是否可变 |
str_to_upper | bool | 是否将 str 类型的所有字符转换为大写。默认值为 False 。 |
str_strip_whitespace | bool | 是否去除 str 类型的前导和尾随空格。 |
str_to_lower | bool | 是否将 str 类型的所有字符转换为小写。默认值为 False 。 |
#! -*-conding: UTF-8 -*-# @公众号: 海哥pythonfrom pydantic import BaseModelclass User(BaseModel): name: str age: int class Config: str_min_length = 10 # 字符串最小长度 str_max_length = 20 # 字符串最大长度user = User(name="John Doe", age=30)执行将得到结果：
Validation error: [{"type":"string_too_short","loc":["name"],"msg":"String should have at least 10 characters","input":"John Doe","ctx":{"min_length":10},"url":"https://errors.pydantic.dev/2.5/v/string_too_short"}]有关Config类中的特殊关键词名称，这里只给出了两个简单的例子，更多的内容可以参考官网中的文档说明。
序列化
使用模型类.model_dump()方法可以将一个模型类实例对象转换为字典类型数据。
#! -*-conding: UTF-8 -*-# @公众号: 海哥pythonfrom datetime import datetimefrom typing import List, Optionalfrom pydantic import BaseModel, ValidationError, EmailStr, field_validator, field_serializerfrom enum import Enumclass GenderEnum(str, Enum): """ 性别枚举 """ male = "男" female = "女"class User(BaseModel): id: int name: str = "小卤蛋" age: int email: EmailStr signup_ts: Optional[datetime] = datetime.now() friends: List[str] = [] sex: GenderEnum @field_validator("age") @classmethod def check_age(cls, age): if age < 18: raise ValueError("用户年龄必须大于18岁") return age @field_serializer('signup_ts', when_used="always") def serialize_signup_ts(self, value: datetime) -> str: return value.strftime('%Y-%m-%d %H:%M:%S') @field_serializer('sex', when_used="always") def serialize_sex(self, value) -> str: return value.valueif __name__ == '__main__': user_data = { "id": 123, "name": "小卤蛋", "age": 20, "email": "xiaoludan@example.com", # 'signup_ts': '2024-07-19 00:22', 'friends': ["公众号：海哥python", '小天才', b''], "sex": "男", } try: user = User.model_validate(user_data) print(f"{user.model_dump()} .... type: {type(user.model_dump())}") except ValidationError as e: print(f"Validation error: {e.json()}")默认情况下， datetime 对象被序列化为 ISO 8601 字符串。这里使用field_serializer自定义序列化规则。
{'id': 123, 'name': '小卤蛋', 'age': 20, 'email': 'xiaoludan@example.com', 'signup_ts': '2024-07-24 14:47:33', 'friends': ['公众号：海哥python', '小天才', ''], 'sex': '男'} .... type: <class 'dict'>使用模型类.model_dump_json()方法可以将一个模型类实例对象转换为JSON字符串。
#! -*-conding: UTF-8 -*-# @公众号: 海哥pythonfrom datetime import datetimefrom typing import List, Optional, Anyfrom pydantic import BaseModel, ValidationError, EmailStr, field_validator, field_serializer, model_serializerclass User(BaseModel): id: int name: str = "小卤蛋" age: int email: EmailStr signup_ts: Optional[datetime] = datetime.now() friends: List[str] = [] @field_validator("age") @classmethod def check_age(cls, age): if age < 18: raise ValueError("用户年龄必须大于18岁") return age @field_serializer('signup_ts', when_used="json") def serialize_signup_ts(self, value: datetime) -> str: return value.strftime('%Y-%m-%d %H:%M:%S') @model_serializer(when_used="json") def serialize_model(self) -> dict[str, Any]: return { 'id': self.id, 'name': self.name, 'age': self.age + 1, 'email': self.email, 'signup_ts': self.serialize_signup_ts(self.signup_ts), 'friends': self.friends, }if __name__ == '__main__': user_data = { "id": 123, "name": "小卤蛋", "age": 20, "email": "xiaoludan@example.com", # 'signup_ts': '2024-07-19 00:22', 'friends': ["公众号：海哥python", '小天才', b''], } try: user = User.model_validate(user_data) print(f"{user.model_dump_json()} .... type: {type(user.model_dump_json())}") print(f"{user.model_dump()} .... type: {type(user.model_dump())}") except ValidationError as e: print(f"Validation error: {e.json()}")也可以使用model_serializer对整体模型的序列化做定制。结果如下：
{"id":123,"name":"小卤蛋","age":21,"email":"xiaoludan@example.com","signup_ts":"2024-07-24 14:17:42","friends":["公众号：海哥python","小天才",""]} .... type: <class 'str'>{'id': 123, 'name': '小卤蛋', 'age': 20, 'email': 'xiaoludan@example.com', 'signup_ts': datetime.datetime(2024, 7, 24, 14, 17, 42, 45474), 'friends': ['公众号：海哥python', '小天才', '']} .... type: <class 'dict'>生成文档
Pydantic 可以自动生成 API 文档。
#! -*-conding: UTF-8 -*-# @公众号: 海哥pythonfrom datetime import datetimefrom typing import List, Optionalfrom pydantic import BaseModel, EmailStr, field_validatorclass User(BaseModel): id: int name: str = "小卤蛋" age: int email: EmailStr signup_ts: Optional[datetime] = None friends: List[str] = [] @field_validator("age") def check_age(cls, age): if age < 18: raise ValueError("用户年龄必须大于18岁") return ageif __name__ == '__main__': print(User.model_json_schema())通过model_json_schema方法可以得到API文档。
{'properties': {'id': {'title': 'Id', 'type': 'integer'}, 'name': {'default': '小卤蛋', 'title': 'Name', 'type': 'string'}, 'age': {'title': 'Age', 'type': 'integer'}, 'email': {'format': 'email', 'title': 'Email', 'type': 'string'}, 'signup_ts': {'anyOf': [{'format': 'date-time', 'type': 'string'}, {'type': 'null'}], 'default': None, 'title': 'Signup Ts'}, 'friends': {'default': [], 'items': {'type': 'string'}, 'title': 'Friends', 'type': 'array'}}, 'required': ['id', 'age', 'email'], 'title': 'User', 'type': 'object'}应用场景
Flask集成Pydantic
以 Flask 为例，我们亦可以很方便的集成Pydantic:
#! -*-conding: UTF-8 -*-# @公众号: 海哥pythonfrom functools import wrapsfrom flask import Flask, request, jsonifyfrom pydantic import BaseModel, ValidationErrorapp = Flask(__name__)# 创建一个 Pydantic 模型来表示请求体中的数据class User(BaseModel): model_config = {"extra": "forbid"} # 不允许额外字段 id: int name: str email: strdef validate_request_body(model): def decorator(func): @wraps(func) def wrapper(*args, **kwargs): try: body = model.model_validate(request.json) return func(body, *args, **kwargs) except ValidationError as e: return jsonify({"error": e.errors()}), 400 return wrapper return decorator@app.route('/users', methods=['POST'])@validate_request_body(User)def create_user2(user: User): # 在这里可以处理用户数据，例如保存到数据库 # ... print(user.model_dump()) # 返回成功响应 return jsonify({"message": "User created successfully", "user": user.dict()}), 201if __name__ == '__main__': app.run(debug=True)参数验证失败时：
curl -X POST -H "Content-Type: application/json" -d '{"id": 1, "name": 1, "email": "john.doe@example.com"}' http://localhost:5000/users{ "error": [ { "input": 1, "loc": [ "name" ], "msg": "Input should be a valid string", "type": "string_type", "url": "https://errors.pydantic.dev/2.8/v/string_type" } ]}所有验证错误，包括 ValueError 等我们在自定义验证器中提出的错误，都包含在 Pydantic 的 ValidationError。因此，一种常见的做法是为其设置全局错误处理程序。
flask_pydantic也为您提供一种集成Falsk和Pydantic的现成方案，感兴趣的话可以自行研究。
LangChain中使用Pydantic
以下，我们借助LangChain和Pydantic实现一个基于通义千问模型的问答路由系统。
新建.env文件：
DASHSCOPE_API_KEY=sk-b920635xxxdsdsdsd7edc2590sds20300 # 换成自己的根据用户的问题类型，选择向量存储或网络搜索来提供答案，并将答案解析为结构化的数据：
# 导入环境变量加载工具和必要的库import osfrom dotenv import find_dotenv, load_dotenvfrom typing import Literal# 导入通义千问模型相关的类和模块from langchain_community.chat_models import QianfanChatEndpointfrom langchain_core.output_parsers import PydanticOutputParserfrom langchain_core.prompts import ChatPromptTemplatefrom langchain_core.pydantic_v1 import BaseModel, Fieldfrom langchain_openai import ChatOpenAI# 加载环境变量load_dotenv(find_dotenv())# 从环境变量中获取DashScope的API密钥DASHSCOPE_API_KEY = os.environ["DASHSCOPE_API_KEY"]# 定义一个模型，用于路由用户查询到合适的数据库# 定义 数据格式class RouteQuery(BaseModel): """用于路由用户查询的模型，决定查询应路由到vectorstore还是web_search。 Attributes: datasource (Literal["vectorstore", "web_search"]): 查询应路由到的数据源，可以是"vectorstore"或"web_search"。 """ datasource: Literal["vectorstore", "web_search"] = Field( ..., description="根据用户问题选择将其路由到网络搜索还是vectorstore。", )if __name__ == '__main__': # 初始化通义千问模型 api_key = DASHSCOPE_API_KEY qwen_model = ChatOpenAI( model_name="qwen-max", openai_api_base="https://dashscope.aliyuncs.com/compatible-mode/v1", openai_api_key=api_key, ) llm = qwen_model # 初始化输出解析器，用于解析模型的输出 parser = PydanticOutputParser(pydantic_object=RouteQuery) # 获取数据格式说明 data_pattern = parser.get_format_instructions() # 定义路由提示模板 # Prompt system = """你是一个用户查询路由专家，负责将用户查询路由到vectorstore或web搜索。 vectorstore包含有关代理、prompt工程和对抗攻击的文档。 对于这些主题的问题，使用vectorstore。否则，使用web搜索。 生成格式化数据模式如下： {data_pattern} """ route_prompt = ChatPromptTemplate.from_messages( [ ("system", system), ("human", "{question}"), ] ) # 构建查询路由管道 question_router = route_prompt | llm # 调用查询路由管道并获取结果 # 示例问题：公众号：海哥python 有多少粉丝？ res = question_router.invoke({"question": "公众号：海哥python 有多少粉丝？", "data_pattern": data_pattern}) # res = question_router.invoke({"question": "如何向代理添加记忆?", "data_pattern": data_pattern}) # 解析获取的结果 content = res.content print(content)这样，我们就得到一个结构化的数据：
{"datasource": "web_search"}后续便可以根据这个统一的结构化数据选择适合的源进行检索。
小结
目前，Python 中主流的数据验证库还有不少，但是 Pydantic 无疑是那个星星增长最迅猛的。
总而言之，Pydantic 是一个灵活而强大的数据验证库，它利用 Python 类型注解来简化数据验证和解析。无论是处理用户输入、验证数据库查询结果，还是解析 API 响应，都能提供直观而高效的解决方案。
Pydantic 的强大远不止这些，更多使用技巧请查阅官方文档 …
最后
你是否也在项目中使用过Pydantic吗？您以什么形式使用呢？对于Pyddantic您有更多的心得吗？欢迎在评论区告诉我。
今天的分享就到这里。如果觉得不错，点赞，在看，关注安排起来吧。
参考
https://mp.weixin.qq.com/s/uB8ff3sJjz2fx1n5cmckaw
https://mp.weixin.qq.com/s/wAUxaZOjPIaaeLWCH9Tk7g
https://realpython.com/python-pydantic/
https://shzhangji.com/blog/2024/01/28/define-api-data-models-with-pydantic/
https://www.netguru.com/blog/data-validation-pydantic
https://jsontopydantic.com/