FastAPI - Pydantic相关应用

本文主要是介绍FastAPI - Pydantic相关应用，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

---

参考链接：Pydantic官方文档

---

---

Pydantic 是一个 Python 库，主要用于数据验证和管理。数据验证是指检查数据是否符合预定的规则和格式，比如检查数据类型是否正确，是否缺少必要的字段等。数据管理是指定义数据的结构和行为，比如设置默认值，转换数据类型等。

---

以下是 Pydantic 的一些基本操作语法：

定义数据模型

首先，通过继承 Pydantic 提供的 BaseModel 类定义一个数据模型：

from pydantic import BaseModelclass User(BaseModel):id: intname: stremail: stris_active: bool = True

在这个例子中，定义了 User 数据模型，有四个字段：id（整数类型）、name（字符串类型）、email（字符串类型）和 is_active（布尔类型，默认值为 True）。

创建模型实例

创建数据模型的实例非常简单，只需要按照定义的字段传递相应的值即可：

user = User(id=1, name="John Doe", email="john.doe@example.com")

如果某个字段有默认值，你可以选择不提供它：

user = User(id=1, name="John Doe", email="john.doe@example.com")  # is_active 将默认为 True

数据验证

当创建模型实例时，Pydantic 会自动进行数据验证。如果数据不符合定义的类型，会进行报错：

try:user = User(id="not_an_integer", name="John Doe", email="john.doe@example.com")
except ValidationError as e:print(str(e))  # 输出错误信息

数据转换

Pydantic 可以自动进行数据类型转换。例如，如果传递一个字符串类型的 id，Pydantic 会自动将其转换为整数类型：

user = User(id="1", name="John Doe", email="john.doe@example.com")
print(user.id)  # 输出: 1

模型转换

Pydantic 可以将模型转换为字典或 JSON 格式：

user_dict = user.dict()
print(user_dict)  # 输出: {'id': 1, 'name': 'John Doe', 'email': 'john.doe@example.com', 'is_active': True}user_json = user.json()
print(user_json)  # 输出: {"id": 1, "name": "John Doe", "email": "john.doe@example.com", "is_active": true}

模型更新

可以使用 update 方法来更新模型的属性：

user.update(name="Jane Doe")
print(user.name)  # 输出: Jane Doe

模型配置

Pydantic 允许通过 Config 类来配置模型的行为。例如，你可以设置一个示例数据，这在生成文档时非常有用：

class User(BaseModel):id: intname: stremail: stris_active: bool = Trueclass Config:schema_extra = {"example": {"id": 1,"name": "John Doe","email": "john.doe@example.com","is_active": True,}}

在这个例子中，添加了 Config 类来定义模型的元数据，比如 schema_extra，可以用于生成文档或提供示例数据。

辅助类

Field

导入

from pydantic import BaseModel, Field

字段别名

使用 alias 参数可以为字段设置别名，这在处理 JSON 数据时非常有用，因为 JSON 字段名通常与 >Python 字段名不同：

class User(BaseModel):id: int = Field(alias="_id")name: stremail: str = Field(alias="email_address")is_active: bool = Field(default=True)

在这个例子中，id 字段在 JSON 数据中的别名是 _id，而 email 字段的别名是 email_address。

字段描述

使用 description 参数可以为字段添加描述信息，这在生成文档时非常有用：

class User(BaseModel):id: int = Field(description="The unique identifier of the user")name: str = Field(description="The full name of the user")email: str = Field(description="The user's email address")is_active: bool = Field(default=True, description="Whether the user is active or not")

字段标题

使用 title 参数可以为字段设置标题，这在生成文档时非常有用：

class User(BaseModel):id: int = Field(title="The ID of the user")name: str = Field(title="The Name of the user")email: str = Field(title="The Email of the user")is_active: bool = Field(default=True, title="The Active Status of the user")

字段示例

使用 example 参数可以为字段设置示例值，这在生成文档或测试时非常有用：

class User(BaseModel):id: int = Field(example=123)name: str = Field(example="John Doe")email: str = Field(example="john.doe@example.com")is_active: bool = Field(default=True, example=True)

字段默认值

Field 的 default 参数可以设置字段的默认值：

class User(BaseModel):id: intname: stremail: stris_active: bool = Field(default=True)

在这个例子中，is_active 字段有一个默认值 True。

字段常量

Field 的 const 参数可以设置字段为常量，这意味着该字段的值在实例化后不能被修改：

class User(BaseModel):id: intname: stremail: stris_active: bool = Field(default=True, const=True)

在这个例子中，is_active 字段被设置为常量，它的值在实例化后不能被修改。

字段验证

Field 的 regex 参数可以设置字段的正则表达式验证：

class User(BaseModel):id: intname: stremail: str = Field(regex=r"^[a-zA-Z0-9_.+-]+@[a-zA-Z0-9-]+\.[a-zA-Z0-9-.]+$")is_active: bool = Field(default=True)

在这个例子中，email 字段的值必须匹配指定的正则表达式，否则会抛出验证错误。

在 Pydantic 中，@validator 是用于创建自定义验证方法的装饰器。这些自定义验证方法可以用于对模型字段的值进行复杂的验证逻辑，或者在某些情况下对多个字段的值进行交叉验证。

以下是 @validator 的一些应用场景：

@validator

首先，需要从 pydantic 模块中导入 validator：

from pydantic import BaseModel, validator

单字段验证

@validator 可以用于对单个字段的值进行验证。例如，可以确保一个字段的值在某个范围内：

class User(BaseModel):age: int@validator('age')def age_must_be_between_18_and_100(cls, v):if v < 18 or v > 100:raise ValueError('Age must be between 18 and 100')return v

在这个例子中，age_must_be_between_18_and_100 方法是一个验证器，检查 age 字段的值是否在 18 到 100 之间。如果值不在范围内，会抛出一个 ValueError。

多字段验证

@validator 也可以用于对多个字段的值进行交叉验证。例如，可以确保两个字段的值满足某个条件：

class User(BaseModel):name: strpassword: strpassword_confirm: str@validator('password_confirm')def passwords_match(cls, v, values):if 'password' in values and v != values['password']:raise ValueError('Passwords do not match')return v

在这个例子中，passwords_match 方法是一个验证器，检查 password_confirm 字段的值是否与 password 字段的值相匹配。如果不匹配，会抛出一个 ValueError。values 参数是一个字典，包含了所有其他字段的值。

验证器模式

@validator 还可以用于设置验证器的模式。模式可以是 pre 或
each_item，分别对应于在验证开始之前和列表中的每个项之前执行验证器。

class User(BaseModel):name: stritems: List[str]@validator('items', pre=True)def split_items(cls, v):if isinstance(v, str):return v.split(',')return v

在这个例子中，split_items 方法是一个 pre 模式的验证器，检查 items 字段的值是否是一个字符串，如果是，则将其分割成一个列表。

验证器别名

@validator 可以通过设置 allow_reuse=True 来创建别名，这样可以对同一个验证逻辑使用不同的字段名。

class User(BaseModel):name: strpassword: strpassword_confirm: str@validator('password_confirm', allow_reuse=True)@validator('password', allow_reuse=True)def password_length(cls, v):if len(v) < 8:raise ValueError('Password must be at least 8 characters long')return v

在这个例子中，password_length 方法被设置为两个字段的验证器，它检查这两个字段的值的长度是否至少为 8。

---

这篇关于FastAPI - Pydantic相关应用的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---