什么是pydantic

Pydantic是一个Python库，用于数据解析和验证。通过定义类模型并设定类型注解，Pydantic可以确保我们在处理数据时，数据的格式和类型都符合预期。但它的实力不仅仅局限于此。

Pydantic的另一个优点是它的宽泛性。Pydantic可以同时与Python的原始数据类型，例如列表，字典和基本数据类型一起工作，也可以很好地配合更复杂的自定义对象。

它提供了一种直观快捷的方法，用于构建鲁棒的数据流程，特别是在数据需要在不同的系统或部分之间传输的情况下 - Web API，数据库，前端界面等。

具体来说，Pydantic的主要功能包括但不限于：

• 数据验证：确保输入数据满足一组预定规则。
• 数据解析：将复杂的数据类型（例如日期，枚举等）转换为Python类型。
• 数据序列化：将Python对象转换为JSON或其他格式。

而最重要的是，Pydantic的所有操作都是由Python的类型提示系统支持的，因此，它的API既直观又容易理解，对于初学者和经验丰富的开发者都同样适合。

安装pydantic

pip install pydantic

pydantic主要特性

数据验证

使用pydantic进行数据验证，我们只需定义一个具有类型注解的类模型。

# 示例
from pydantic import BaseModelclass User(BaseModel):name: strage: intuser_data = {"name": "Alice", "age": "23"}  # 注意，age是字符串
user = User(**user_data)
print(user.age)  # 输出: 23

在这个例子中，尽管传入的age是一个字符串，但在创建User实例时，Pydantic会自动尝试将其转换为正确的类型(int)。如果转换失败，例如传递了一个不能被转换为整数的字符串，Pydantic将会抛出一个ValidationError。

数据解析和序列化

在Pydantic中，数据解析和序列化可以看做数据验证的一部分，只不过它的目的是为了将复杂的数据类型（例如日期或枚举）转换为Python类型，或者反向操作

# 数据解析示例
from datetime import datetime
from pydantic import BaseModelclass User(BaseModel):name: strsignup_date: datetimeuser_data = {"name": "Alice", "signup_date": "2022-01-01 12:22:32"}  # 注意，signup_date是字符串
user = User(**user_data)
print(user.signup_date)  # 输出: 2022-01-01 12:22:32# 数据序列化示例
from datetime import datetime
from pydantic import BaseModelclass User(BaseModel):name: strsignup_date: datetimeuser = User(name="Alice", signup_date=datetime(2022, 1, 1, 12, 22, 32))
print(user.json())  # 输出: '{"name": "Alice", "signup_date": "2022-01-01T12:22:32"}'

简化数据处理

在真实的项目中，我们通常会使用更复杂的对象和数据结构。例如，我们可能需要处理嵌套的数据：

from typing import List
from pydantic import BaseModelclass Item(BaseModel):name: strprice: floatclass Order(BaseModel):user: stritems: List[Item]order_data = {"user": "Alice","items": [{"name": "Apple", "price": "1.2"},{"name": "Banana", "price": "0.8"}]
}
order = Order(**order_data)
print(order.items[0].price)  # 输出: 1.2

在这个例子中，我们定义了Order和Item类。“Order”有一个“items”属性，这是一个Item对象的列表。尽管我们提供的原始数据是嵌套字典，但Pydantic仍然可以正确地处理并验证它。