Python数据验证利器：Pydantic完全指南

Python 数据验证与建模神器：Pydantic 完全指南

一、Pydantic 的核心价值

Pydantic 是一个基于 Python 类型注解的数据验证与序列化库，其设计哲学强调"数据正确性优先"。通过声明式模型定义，开发者可以：

• ️ 确保输入数据符合预期格式
• 自动转换不匹配但可解析的数据类型
• 生成标准化的数据文档（JSON Schema）
• 提升数据处理管道可靠性

二、基础使用模式

from pydantic import BaseModel, ValidationError

class UserProfile(BaseModel):
    user_id: int
    username: str = "匿名用户"
    email: str | None = None
    credit_score: float = Field(ge=0, le=1000)  # 数值范围约束

try:
    profile = UserProfile(user_id="1024", credit_score=1200)
except ValidationError as e:
    print(e.errors())
    # 输出：[{
   
    #   "loc": ("user_id",),
    #   "msg": "输入类型不是整数",
    #   "type": "type_error.integer"
    # }, {
   
    #   "loc": ("credit_score",),
    #   "msg": "输入值应小于等于1000",
    #   "type": "value_error.number.not_le"
    # }]

三、进阶验证机制

1. 自定义校验器
   通过装饰器实现复杂业务规则：

   from pydantic import validator
   
   class Product(BaseModel):
       sku: str
       price