在Python开发中，数据验证和解析是非常常见且重要的任务。PyDantic是一个强大且易用的库，专门用于定义数据模型并自动验证输入数据的结构和类型，极大地简化了数据处理流程。许多开发框架本身也用到了PyDantic,比如LangChain
本文将带你快速了解PyDantic的核心功能，并通过代码示例展示如何使用它。
什么是PyDantic？
PyDantic是一个基于Python类型注解的数据验证和解析库。你可以通过定义继承自BaseModel的模型类，指定字段类型，PyDantic会自动帮你验证数据是否符合预期，并将数据转换成对应的Python对象。它不仅支持基本类型，还支持复杂嵌套结构，且提供详细的错误信息，方便调试。
PyDantic广泛应用于FastAPI等现代Python框架中，用于请求体、响应体的数据验证和序列化。
PyDantic的安装
使用pip即可快速安装：
pip install pydantic
PyDantic基础用法
1. 定义数据模型
定义模型只需继承BaseModel，并使用Python的类型注解声明字段类型：
from pydantic import BaseModelclass Person(BaseModel):name: strage: inthobby: list
这里定义了一个Person模型，包含name（字符串）、age（整数）和hobby（列表）三个字段。
2. 创建模型实例并验证数据
通过传入字典数据创建模型实例，PyDantic会自动验证数据类型：
data = {"name": "Alice", "age": 30, "hobby": ["football"]}
person = Person(**data)
print(person)
输出：
name='Alice' age=30 hobby=['football']
如果数据类型不匹配，会抛出ValidationError异常：
data = {"name": "Bob", "age": "thirty", "hobby": "basketball"}
person = Person(**data) # 会抛出异常
异常信息示例：
pydantic.error_wrappers.ValidationError: 2 validation errors for Person
agevalue is not a valid integer (type=type_error.integer)
hobbyvalue is not a valid list (type=type_error.list)
3. 访问字段和转换为字典
模型实例的字段可以像普通属性访问，也可以转换为字典：
print(person.name) # 输出：Alice
print(person.dict()) # 输出：{'name': 'Alice', 'age': 30, 'hobby': ['football']}
4. 处理验证错误
可以使用try-except捕获验证错误，方便程序做出相应处理：
from pydantic import ValidationErrortry:data = {"name": "Muller", "age": "thirty", "hobby": ["football"]}person = Person(**data)
except ValidationError as e:print(e)
输出错误详情：
1 validation error for Person
agevalue is not a valid integer (type=type_error.integer)
5. 自定义验证规则
PyDantic支持自定义验证器，使用@validator装饰器定义字段的额外验证逻辑：
from pydantic import validatorclass Person(BaseModel):name: strage: inthobby: list@validator("age")def age_must_be_positive(cls, age):if age < 0:raise ValueError("Age must be a positive integer")return age
这样可以确保age字段必须为正整数。
进阶示例：使用Field定义字段约束
PyDantic的Field函数可以为字段添加描述、默认值及约束条件：
from pydantic import BaseModel, Fieldclass Product(BaseModel):name: strprice: float = Field(..., description="商品价格", gt=1, lt=1000)product = Product(name="Laptop", price=999.99)
print(product)
这里price字段被限制为大于1且小于1000。
总结
PyDantic通过类型注解定义数据模型，自动完成数据验证和转换，极大提升代码的健壮性和可维护性。它不仅适合API开发，也适合任何需要严谨数据处理的Python项目。掌握PyDantic能让你的数据处理工作变得更简单、高效。
欢迎大家尝试使用PyDantic，体验Python数据验证的强大魅力！
