Pydantic 详解：FastAPI 中的数据验证神器_fastapi 嵌套数据验证-CSDN博客

本文链接：https://blog.csdn.net/ylong52/article/details/141720364

FastAPI 是一个现代的、快速的 Web 框架，用于构建 API。它基于 ASGI (Asynchronous Server Gateway Interface)，这使得 FastAPI 能够支持异步请求处理，从而提供高性能的 Web 服务。FastAPI 利用 Python 类型提示来增强开发体验，通过类型提示进行自动的数据验证和自动文档生成。

Pydantic 是一个数据验证和设置管理库，它使用 Python 类型注解来验证输入数据的类型和结构。在 FastAPI 中，Pydantic 主要用于以下方面：

数据验证：确保接收到的数据符合预期的格式和类型。
数据转换：将接收到的数据转换为 Python 类型。
自动文档：基于 Pydantic 模型自动生成 API 文档。

FastAPI 和 Pydantic 的关系实例

假设我们正在创建一个电子商务平台的 API，我们需要一个模型来接收商品信息：

from fastapi import FastAPI
from pydantic import BaseModel, ValidationError, EmailStr

app = FastAPI()

class Item(BaseModel):
    name: str
    description: str = None
    price: float
    is_available: bool = True
    owner_email: EmailStr

@app.post("/items/")
async def create_item(item: Item):
    return {"name": item.name, "price": item.price}

与 Flask 的比较

Flask 是一个轻量级的 Web 框架，它没有内建的数据验证和自动文档生成功能。使用 Flask 时，开发者通常需要手动验证数据，并且可能需要使用额外的库（如 Marshmallow）来进行序列化和验证。

以下是使用 Flask 和 Pydantic 进行相同任务的一个简单示例

from flask import Flask, request, jsonify
from pydantic import BaseModel, ValidationError
from email_validator import validate_email, EmailNotValidError

app = Flask(__name__)

class Item(BaseModel):
    name: str
    description: str = None
    price: float
    is_available: bool = True

@app.route("/items/", methods=["POST"])
def create_item():
    try:
        item_data = request.get_json()
        item = Item(**item_data)  # 手动创建 Pydantic 模型实例并验证
        return jsonify({"name": item.name, "price": item.price}), 201
    except ValidationError as e:
        return jsonify(e.errors()), 400

if __name__ == "__main__":
    app.run(debug=True)

在这个 Flask 示例中，我们手动解析 JSON 请求体并尝试创建一个 Item 模型实例来进行验证。如果数据不符合模型定义，我们需要手动处理 ValidationError。

关键差异

数据验证：FastAPI 与 Pydantic 紧密集成，自动处理数据验证，而 Flask 需要手动处理或使用额外的库。
自动文档：FastAPI 可以自动从 Pydantic 模型生成文档，Flask 通常需要使用插件如 Flask-Swagger 来生成文档。
性能：FastAPI 支持异步处理，适合高并发场景，而 Flask 是同步的，可能在高并发下成为瓶颈。
易用性：FastAPI 提供了更现代的语言特性和更简洁的 API 设计，而 Flask 以简单和灵活著称，但在某些方面可能需要更多的样板代码。

通过这些比较，我们可以看到 FastAPI 和 Pydantic 的结合为构建高性能和易于维护的 API 提供了强大的工具集，而 Flask 则提供了更多的控制自由度，但需要开发者做更多的工作来实现相同的功能

FastAPI 和 Flask 在性能上的差异主要体现在以下几个方面：

异步处理能力：
- FastAPI 基于 ASGI，支持异步请求处理，这使得它在处理 I/O 密集型任务时非常高效，能够更好地利用系统资源，提高并发处理能力。
- Flask 基于 WSGI，是一个同步框架，虽然可以通过使用异步库（如 Flask-AsyncIO）来增加异步功能，但这并不是 Flask 的核心功能，且使用起来可能更复杂。
性能：
- FastAPI 由于其异步特性，通常在高并发场景下表现更好。它可以同时处理更多的请求，而不需要为每个请求分配单独的线程或进程。
- Flask 在低并发或请求处理时间较短的情况下表现良好，但在高并发情况下，由于其同步本质，可能需要更多的资源来处理相同的负载。
资源使用：
- FastAPI 的异步特性意味着它可以在单个线程中处理多个请求，从而减少线程切换的开销，提高资源使用效率。
- Flask 作为同步框架，可能需要更多的线程或进程来处理并发请求，这可能导致更高的资源消耗。
框架开销：
- FastAPI 由于其现代化的设计和对异步的支持，可能在某些情况下具有更低的框架开销。
- Flask 是一个轻量级的框架，但在处理高并发请求时，由于其同步模型，可能需要更多的资源来维持性能。