大家好，我是“一行”。今天我们要学习的是Pydantic，一个用于数据验证和设置管理的强大库。Pydantic的主要功能是通过类型提示和数据模型来验证数据的正确性，让你的Python代码更可靠、更易维护。无论是在API开发还是数据处理场景中，Pydantic都能为你提供极大的帮助。接下来，我们将一起探索Pydantic的基本用法和实际应用场景。
安装Pydantic
在开始之前，我们需要先安装Pydantic。打开命令行，输入以下命令：
pip install pydantic
小贴士：
确保你的Python版本在3.6及以上，因为Pydantic依赖于类型提示。
创建基本的数据模型
Pydantic的核心是数据模型，通过定义数据模型，我们可以轻松地验证输入数据。以下是一个简单的例子，展示如何创建一个用户模型：
from pydantic import BaseModel
# 定义用户模型
class User(BaseModel):
id: int
name: str
email: str
# 创建用户实例
user = User(id=1, name='Alice', email='alice@example.com')
print(user)
运行结果：
id=1 name='Alice' email='alice@example.com'
小贴士：
在Pydantic中，BaseModel是所有模型的基类，使用类型提示定义字段，Pydantic会自动进行数据验证。
数据验证与类型转换
Pydantic不仅支持基本的数据验证，还支持类型转换。例如，如果我们给定一个字符串类型的数字，Pydantic会自动将其转换为整型：
# 创建用户实例，id为字符串
user = User(id='2', name='Bob', email='bob@example.com')
print(user)
运行结果：
id=2 name='Bob' email='bob@example.com'
小贴士：
如果输入数据的类型与模型定义不符，Pydantic会抛出一个详细的异常，指明错误的字段和原因。
嵌套模型
Pydantic支持嵌套模型，这让我们能够构建复杂的数据结构。下面是一个示例，展示如何定义嵌套模型：
from typing import List
# 定义地址模型
class Address(BaseModel):
city: str
state: str
# 定义用户模型，包含地址
class UserWithAddress(BaseModel):
id: int
name: str
email: str
addresses: List[Address]
# 创建用户实例，包含多个地址
user_with_address = UserWithAddress(
id=1,
name='Alice',
email='alice@example.com',
addresses=[{'city': 'New York', 'state': 'NY'}, {'city': 'Los Angeles', 'state': 'CA'}]
)
print(user_with_address)
运行结果：
id=1 name='Alice' email='alice@example.com' addresses=[Address(city='New York', state='NY'), Address(city='Los Angeles', state='CA')]
小贴士：
在定义嵌套模型时，确保每个字段都使用合适的类型提示，Pydantic会自动处理嵌套的验证。
使用Pydantic进行数据验证
Pydantic可以通过自定义验证器来实现更复杂的验证逻辑。例如，我们可以添加一个验证器来检查邮箱地址的格式：
from pydantic import EmailStr, validator
class UserWithEmailValidation(BaseModel):
id: int
name: str
email: EmailStr # 使用内置的EmailStr进行邮箱验证
@validator('name')
def name_must_not_be_empty(cls, v):
if not v:
raise ValueError('Name must not be empty')
return v
# 创建用户实例
user = UserWithEmailValidation(id=1, name='Alice', email='alice@example.com')
print(user)
运行结果：
id=1 name='Alice' email='alice@example.com'
小贴士：
validator装饰器可以用来定义验证方法，方法名可以自定义，返回值是经过验证的值。
数据导入与导出
Pydantic支持将模型实例导出为字典或JSON格式，这使得数据的传输和存储变得更加简单。以下是导出为字典的示例：
# 将用户实例导出为字典
user_dict = user.dict()
print(user_dict)
# 将用户实例导出为JSON
user_json = user.json()
print(user_json)
运行结果：
{'id': 1, 'name': 'Alice', 'email': 'alice@example.com'}
{"id": 1, "name": "Alice", "email": "alice@example.com"}
小贴士：
使用dict()和json()方法可以方便地转换数据格式，适用于与前端或其他服务的交互。
实际应用场景
API开发：使用Pydantic进行请求体和响应体的验证，确保数据的完整性。 配置管理：通过Pydantic管理应用的配置，支持环境变量的自动加载和验证。 数据清洗：在数据科学项目中，使用Pydantic验证和清洗数据，保证数据质量。
小练习：
尝试创建一个新的模型，包含日期类型的字段，并验证其格式是否正确。
结语
今天的Pydantic学习之旅就到这里啦！我们学习了如何安装和使用Pydantic创建数据模型，进行数据验证，以及如何导入和导出数据。Pydantic是一个非常实用的工具，希望大家能动手实践，提升自己的数据处理能力。祝大家学习愉快，Python学习节节高！
