Pydantic ist eine Datenvalidierungs- und Einstellungsverwaltungsbibliothek für Python. Es verwendet Python-Typhinweise zum Validieren und Analysieren von Daten und stellt so sicher, dass Ihr Code mit ordnungsgemäß strukturierten und typisierten Daten funktioniert. Durch die Nutzung der datenklassenähnlichen Modellstruktur von Python erleichtert Pydantic die Definition von Schemata für komplexe Daten und die automatische Validierung und Serialisierung/Deserialisierung von Daten auf saubere, pythonische Weise. Lassen Sie uns die Hauptfunktionen erkunden:
Automatische Validierung von Eingabedaten anhand eines Schemas mithilfe der Typhinweise von Python.
from pydantic import BaseModel, ValidationError
class User(BaseModel):
id: int
name: str
email: str
# Valid input
user = User(id=1, name="John Doe", email="john@example.com")
print(user)
# Invalid input
try:
user = User(id="not-an-integer", name="Jane", email="jane@example.com")
except ValidationError as err:
print(err)
Wenn Sie ein Datenmodell definieren möchten, verwenden Sie pydantic.BaseModel!
Pydantic bietet leistungsstarke Tools zur Validierung nicht nur von Datenmodellen, sondern auch der Eingabe und Ausgabe von Funktionen. Dies wird mithilfe des @validate_call-Dekorators erreicht, der es Ihnen ermöglicht, eine strikte Datenvalidierung für Funktionsargumente und Rückgabewerte zu erzwingen. Wenn die bereitgestellten Argumente oder der Rückgabetyp nicht mit den erwarteten Typen übereinstimmen, wird ein ValidationError ausgelöst.
from pydantic import validate_call
@validate_call
def greet(name: str, age: int) -> str:
return f"Hello {name}, you are {age} years old."
# Valid input
print(greet("Alice", 30)) # Output: Hello Alice, you are 30 years old.
# Invalid input
try:
greet("Bob", "not-a-number")
except Exception as e:
print(e)
Durch die Aktivierung des Flags „validate_return“ in @validate_call validiert Pydantic auch den Rückgabewert der Funktion anhand ihres annotierten Rückgabetyps. Dadurch wird sichergestellt, dass die Funktion dem erwarteten Ausgabeschema entspricht.
from pydantic import validate_call
@validate_call(validate_return=True)
def calculate_square(number: int) -> int:
return number ** 2 # Correct return type
# Valid input and return
print(calculate_square(4)) # Output: 16
# Invalid return value
@validate_call(validate_return=True)
def broken_square(number: int) -> int:
return str(number ** 2) # Incorrect return type
try:
broken_square(4)
except Exception as e:
print(e)
Pydantic kann komplexe verschachtelte Strukturen, einschließlich JSON-Daten, in Modellobjekte analysieren.
from pydantic import BaseModel
from typing import List
class Item(BaseModel):
name: str
price: float
class Order(BaseModel):
items: List[Item]
total: float
# JSON-like data
data = {
"items": [
{"name": "Apple", "price": 1.2},
{"name": "Banana", "price": 0.8}
],
"total": 2.0
}
order = Order(**data)
print(order) # items=[Item(name='Apple', price=1.2), Item(name='Banana', price=0.8)] total=2.0
Pydantische Modelle können in JSON oder Wörterbücher serialisiert und wieder rekonstruiert werden.
from pydantic import BaseModel
class User(BaseModel):
id: int
name: str
email: str
# Create a model instance
user = User(id=1, name="Alice", email="alice@example.com")
# Serialize to dictionary and JSON
user_dict = user.model_dump()
user_json = user.model_dump(mode='json')
print("Dictionary:", user_dict)
print("JSON:", user_json)
# Deserialize back to the model
new_user = User.model_validate(user_json)
print("Parsed User:", new_user)
Die Datenvalidierung ist keine erzwungene Validierung. Wenn Sie beispielsweise ein Modell mit ID-, Due_Date- und Priority-Feldern der Typen int, bool bzw. datetime definieren, können Sie Folgendes übergeben:
from sensei import APIModel
from datetime import datetime
class Task(APIModel):
id: int
due_date: datetime
priority: bool
task = Task(due_date='2024-10-15T15:30:00',>
<p>The result will be<br>
</p>
<pre class="brush:php;toolbar:false">Task(id=1, due_date=datetime.datetime(2024, 10, 15, 15, 30), priority=True)
Sie können mithilfe von Validatoren auch eine benutzerdefinierte Validierungslogik in Ihrem Modell definieren. Sie ermöglichen Ihnen die Anwendung komplexerer Validierungsregeln, die mit den integrierten Typen oder Feldeinschränkungen nicht einfach ausgedrückt werden können. Der Validator wird über den Field_validator-Dekorator oder das Field-Objekt definiert. Sie können einen oder mehrere Feldnamen an field_validator übergeben, um zu bestimmen, welche Felder diesen Validator verwenden, oder „*“, um den Validator für jedes Feld anzuwenden.
aus der Eingabe von import Any
aus pydantic import Field, field_validator, EmailStr, BaseModel
Klasse User(BaseModel):
ID: int
Benutzername: str = Field(pattern=r'^w $')
E-Mail: EmailStr
Alter: int = Field(18, ge=14)
is_active: bool = True
Rollen: list[str]
# Definieren Sie den Validator, der „vor“ der internen Analyse ausgeführt wird
@field_validator('roles', mode='before')
def _validate_roles(cls, Wert: Beliebig):
Rückgabewert.split(',') wenn isinstance(value, str) else value
user = User(id=1, username='john', email='john@example.com', Roles='student,singer')
print(user) #>
<h2>
Open-Source-Projekte
</h2>
<p>Es gibt viele Open-Source-Projekte, die von Pydantic unterstützt werden. Entdecken wir die besten davon:</p>
<h3>
FastAPI
</h3>
<p>Einer der bekanntesten Anwendungsfälle von Pydantic ist FastAPI, ein modernes Web-Framework zum Erstellen von APIs mit Python. FastAPI verwendet Pydantic-Modelle ausgiebig für die Validierung des Anforderungstexts, Abfrageparameter und Antwortschemata.</p>
Während FastAPI für die Erstellung von APIs konzipiert ist, ist Sensei dafür konzipiert, diese APIs schnell und einfach zu verpacken. Von Sensei betriebene API-Clients stellen sicher, dass Benutzer relevante Datenmodelle erhalten und keine verwirrenden Fehler erhalten.
SQLModel und Typer sind zwei bemerkenswerte Projekte, die von Sebastián Ramírez, dem Erfinder von FastAPI, entwickelt wurden.
SQLModel ist eine Bibliothek zur Optimierung von Datenbankinteraktionen in Python-Anwendungen. SQLModel basiert auf SQLAlchemy und Pydantic und kombiniert die Leistungsfähigkeit eines ORM mit dem Komfort der Datenvalidierung und Serialisierung.
Typer ist ein Framework zum Erstellen von Befehlszeilenschnittstellenanwendungen (CLI) mit Python. Es vereinfacht den Prozess, indem es die Typhinweise von Python verwendet, um automatisch benutzerfreundliche CLI-Befehle und Hilfetexte zu generieren.
Das obige ist der detaillierte Inhalt vonPydantic: Das Ende der manuellen Validierungen! ✨. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!
![[Web-Frontend] Node.js-Schnellstart](https://img.php.cn/upload/course/000/000/067/662b5d34ba7c0227.png)
