pydantic 库（Python 数据接口定义）基本使用指南

写作前面
前些天发现了一个不错的人工智能学习网站，通俗易懂，风趣幽默，有兴趣的可以看一下。传送门

pydantic 概述

pydantic 库是 python 中用于数据接口定义检查与设置管理的库。

pydantic 在运行时强制执行类型提示，并在数据无效时提供友好的错误。

具有如下优点：

• 易于使用： Pydantic 很容易安装与使用，并且有一个简单的 API，使得所有开发者都可以快速上手使用。
• 快速验证： Pydantic 快速有效地执行数据验证，使其适合于在高性能的应用程序中使用。
• 自动生成文档： Pydantic 可以为数据模型自动生成文档，节省时间，并且更容易的理解数据结构。
• 类型提示支持： Pydantic 支持类型提示，使开发人员更容易定义数据结构，避免在代码中出现错误。
• 与 FastAPI 集成： Pydantic 可以很容易地与 FastAPI（一个高性能的 Python 网络框架）集成，为 API 提供自动请求和响应验证。
• 自定义验证规则： Pydantic 允许开发人员定义自定义的验证规则，使得在需要的时候可以实现复杂的验证逻辑。
• 一致的数据： Pydantic 确保项目中使用的数据是一致的，并符合所需的标准，减少了错误的风险，使代码库的维护更加容易。
• 与 IDE/linter 完美搭配，不需要学习新的模式，只是使用类型注解定义类的实例
• 多用途，BaseSettings 既可以验证请求数据，也可以从环境变量中读取系统设置
• 可扩展，可以使用 validator 装饰器装饰的模型上的方法来扩展验证
• 数据类集成，dataclass 装饰器可以创建带有输入数据解析和验证的普通 Python 数据类。

Pydantic 的工作方式

• Pydantic 的工作方式是允许开发人员使用 Python 类来定义数据模型。这些类继承自 Pydantic 提供的 BaseModel 类，可以包括类型提示、默认值和验证规则。当收到数据时，Pydantic 使用数据模型来验证传入的数据，并确保其符合所定义的要求。
• 在验证过程中，Pydantic 对照数据模型中定义的类型提示和验证规则，检查数据中的每个字段。如果数据不符合要求，Pydantic 会提出一个错误，并停止验证过程。如果数据是有效的，Pydantic 就会创建一个数据模型的实例，用传入的数据来填充它，并将其返回给用户。
• Pydantic 还提供了一些高级功能，例如字段别名，自定义验证函数，以及对嵌套数据模型的支持，使得它可以处理广泛的数据验证场景。此外，Pydantic 支持序列化和反序列化，允许根据需要将数据转换为 Python 数据结构、JSON 和其他格式。

环境准备

• 安装 pydantic 命令：pip install pydantic

• 测试 pydantic 是否已编译

  import pydantic
  print('compiled:', pydantic.compiled)
  

BaseModel（基本模型）

简述

在 Pydantic 中，BaseModel 是一个用于定义数据模型的基类。它允许创建一个描述数据结构、验证数据和进行数据转换的类。BaseModel 基本模型提供了属性和方法来定义字段，校验数据以及序列化数据。

BaseModel 提供的常用功能有：

• 数据验证：当创建模型实例时，Pydantic 会自动验证传入的数据是否满足字段定义的规则。
• 数据转换：Pydantic 会尝试将输入数据转换为模型中定义的字段类型，例如将字符串转换为整数或浮点数。
• 自动文档生成：基于模型的字段定义，Pydantic 可以自动生成文档和模型验证的错误消息。
• 嵌套模型：可以在模型内部使用其他模型，从而创建复杂的数据结构。
• 序列化和反序列化：允许根据需要将数据转换为 Python 数据结构、JSON 和其他格式。

pydantic 和 @dataclass 的异同

pydantic 和 @dataclass 都是用于创建数据类（data class）的工具，它们有一些相似之处，但也有一些重要的区别。

• @dataclass：
  • @dataclass 是 Python 标准库中的一个装饰器，自 Python 3.7 引入。
  • 它用于创建数据类，可以轻松地定义类的属性，并自动生成常见的特殊方法，如 __init__()、__repr__()、__eq__() 等。
  • @dataclass 不提供数据验证功能，仅用于数据类的创建。
  • 适用于简单的数据类，不涉及数据验证或输入的复杂处理逻辑。
• pydantic：
  • pydantic 是一个用于数据验证和数据解析的 Python 库，它提供了强大的数据验证和输入处理功能。
  • 它允许定义模型类，为模型属性添加验证规则，以确保数据的有效性。
  • pydantic 支持丰富的验证规则，包括类型检查、最小值、最大值、正则表达式匹配等。
  • 适用于需要数据验证和处理的场景，特别是用于处理输入数据、API 请求等情况。

总结：

• 如果只需要创建简单的数据类，并且不需要进行数据验证和处理，那么使用 @dataclass 是一个简单而方便的选择。
• 如果需要对输入数据进行验证，确保数据的有效性，或者处理来自外部系统的复杂数据，那么 pydantic 更适合，因为它提供了更强大的数据验证和处理功能

定义 BaseModel 数据模型

• 在 pydantic 中定义一个对象模型的主要方法是通过模型继承自 BaseModel 类，然后声明属性并显式地注解属性的数据类型。

• 属性可以设置默认值，设置了默认值的属性在创建模型对象时可选传参数，否则为必传参数。

• 支持的数据类型包括 str、int、float、List 等基本数据类型以及其他的 Pydantic 类型，如 EmailStr、UrlStr、PositiveInt 等，来增强字段的验证能力。

• 简单示例

  from pydantic import BaseModel
  
  class User(BaseModel):
      id: int
      name: str = 'Jane Doe'
          
  # 创建对象，传参方式1
  user = User(id=1)
  
  # 创建对象，传参方式2
  item_data = {
      "id": 2,
      "name": 'aaa'
  }
  user_2 = User(**item_data)
  

BaseModel 常用 API

类属性：

• model_fields：它包含了模型中每个字段的 FieldInfo 对象，以字典的形式存储。FieldInfo 对象提供了有关字段的详细信息，如字段类型、默认值等。

类方法：

• model_construct() ：允许在没有验证的情况下创建模型
• model_validate() ：用于使用 model 对象或字典创建模型的实例
• model_validate_json() ：用于使用 JSON 字符串创建模型的实例

类对象方法：

• model_copy()：创建模型的一个副本。
• model_dump()：将模型转换为字典，其中包含字段名称和对应的值。
• model_dump_json()：将模型转换为 JSON 格式的字符串。

@validator：自定义验证器

• @validator 装饰器用于在 Pydantic 的 BaseModel 子类中定义验证函数，以在模型创建时自动验证字段的值。

  使用 @validator 装饰器可以实现自定义验证和对象之间的复杂关系。

• @validator 常用的参数和说明：

  • *fields （可变位置参数）：要验证的字段名称，可以是一个或多个字段。这些字段的值将作为验证函数的参数传递给验证函数。

    传参多个字段需配合 allow_reuse 参数使用

  • allow_reuse（默认为 False）：如果设置为 True，则允许验证函数重复使用。

    如果多个字段需要相同的验证逻辑，可以将此参数设置为 True 以提高代码的复用性。

     @validator("age", "height", allow_reuse=True)
    

  • each_item （默认为 False）：设置验证器是否被施加到单独的值（例如 List，Dict，Set 等），而不是整个对象

  • pre（默认为 False）：设置验证函数是在字段验证之前（pre=True）还是之后（pre=False）执行。

    通常情况下，会将其保留为默认值 False，以便在字段验证之后执行验证。

  • pre_root（默认为 False）：与 pre 参数一起使用，用于在整个模型层次结构中的字段验证之前或之后执行验证函数。

    通常情况下，会将其保留为默认值 False，以便在字段验证之后执行验证。

  • always（默认为 False）：如果设置为 True，则无论字段是否在模型中被赋值，验证函数都会被执行。

    通常情况下，会将其保留为默认值 False，以便只在字段被赋值时执行验证。

• 注意：

  • 验证器是“类方法”，因此它们接收的第一个参数值是类（形参 cls），而不是对象（形参 self）
  • 第二个参数始终是要验证的字段值，可以随意命名，常用 v
  • 单个验证器可以通过传递多个字段名称来应用于多个字段，也可以通过传递特殊值在所有字段上调用单个验证器

• 代码示例

  from pydantic import BaseModel, ValidationError, validator
  
  class UserModel(BaseModel):
      name: str
      names: List[str]
  
      @validator('name')
      def name_must_contain_space(cls, v):
          if ' ' not in v:
              raise ValueError('must contain a space')
          return v.title()
      
      @validator('names', each_item=True)
      def check_names_not_empty(cls, v):
          assert v != '', 'Empty strings are not allowed.'
          return v
  

BaseSettings：管理配置

BaseSettings 基类

• BaseSettings 是 Pydantic 提供的一个基类，用于管理应用程序的配置设置。

  它允许从环境变量、配置文件、命令行参数、Python 常量等多个来源加载配置选项，并进行验证和类型转换。

  BaseSettings 的目标是简化配置管理和设置的过程，使得应用程序的配置更加可靠和可维护。

• 基本使用：创建一个继承自 BaseSettings 的模型，模型初始化程序将自动尝试通过从环境变量中读取，来确定未作为关键字参数传递的任何字段的值（如果未设置匹配的环境变量，则仍将使用默认值）

• 注意：

  • 在 Pydantic 2.3.0 版本，BaseSettings 的导包路径为（from pydantic.v1 import BaseSettings），或使用独立的 pydantic-settings 包（安装命令：pip install pydantic-settings）

BaseSettings 类的 Config 内部类

• 在 Pydantic 的 BaseSettings 类中，Config 内部类提供了一些属性和配置选项，用于自定义配置的行为。

  可以在 Config 类中定义这些属性，以影响配置的加载和验证过程。

• 常用的 Config 配置选项：

  • env_file：指定配置文件（ Dotenv 文件）的名称。可以是文件名字符串，用于从指定的文件加载配置。

    pydantic 有两种方式加载它：

    class Settings(BaseSettings):
        ...
    
        class Config:
            # 方式1：Settings.Config 类中直接设置默认值
            env_file = '.env'
            
    # 方式2：实例化BaseSettings子类对象时传参。注意内部类属性在类为传参时加一个下划线（_）
    settings = Settings(_env_file='prod.env')
    

    注意：

    • 使用该配置需要 python-dotenv 包的支持（安装命令：pip install python-dotenv）
    • 即使使用 dotenv 文件，pydantic 仍会读取环境变量，环境变量将始终优先于从 dotenv 文件加载的值。

  • env_prefix：配置环境变量的前缀。设置前缀后，Pydantic 将只加载以该前缀开头的环境变量作为配置项。

  • env_file_encoding：指定配置文件的编码。默认是 "utf-8"。

  • case_sensitive：设置为 True 以启用字段名称的大小写敏感性，或设置为 False 以忽略大小写。默认是 False。

  • arbitrary_types_allowed：设置为 True 以允许在配置文件中使用自定义类型。默认是 False。

  • validate_all：是否验证所有字段，而不仅仅是被访问的字段。默认是 True。

  • secrets_dir：设置敏感信息文件目录

    即使使用 secrets 目录，pydantic 仍会从 dotenv 文件或环境中读取环境变量，环境变量和dotenv 文件将始终优先于从 secrets 目录加载的值。

  这些是一些常用的 Config 配置选项，可以通过在 Settings 类中的 Config 子类中定义来自定义 BaseSettings 的行为。

代码示例

• #from pydantic import BaseSettings
  from pydantic.v1 import BaseSettings
  
  class Settings(BaseSettings):
      app_name: str = "My App"
      api_key: str
  
      class Config:
          env_file = ".env"  # 从环境文件加载配置
  
  settings = Settings()
  

  • 定义了一个名为 Settings 的 BaseSettings 子类。在这个类中，声明了两个配置选项：app_name 和 api_key。app_name 有一个默认值，而 api_key 则需要从配置中加载。
  • Config 内部类用于配置 BaseSettings 的行为。在这个示例中，使用了 env_file 来指定从名为 .env 的环境文件中加载配置。
  • 通过创建 Settings 类的实例，可以轻松地访问配置选项，并自动进行验证和类型转换。如果 api_key 在配置文件中未设置或类型不匹配，Pydantic 将引发相应的异常。