FastAPI框架内置了对Pydantic的支持，Pydantic通过Python的类型注解提供了强大且灵活的数据验证功能。本文将通过一个简单的示例展示如何在FastAPI中使用Pydantic进行请求体数据验证，并分析其中的关键技术点。
示例代码
from fastapi import FastAPI, HTTPException
from pydantic import BaseModel, validator, root_validator, EmailStrapp = FastAPI()# 定义请求体模型
class UserRegister(BaseModel):email: EmailStremail_confirm: EmailStrpassword: strpassword_confirm: str# 字段级别验证：验证email_confirm是否与email一致@validator('email_confirm')def emails_match(cls, v, values):if 'email' in values and v != values['email']:raise ValueError('邮箱地址不匹配')return v# 根验证器：验证password和password_confirm是否一致@root_validatordef passwords_match(cls, values):pw = values.get('password')pw_confirm = values.get('password_confirm')if pw != pw_confirm:raise ValueError('两次输入的密码不一致')return values@app.post("/register/")
async def register(user: UserRegister):# 这里可以执行用户注册逻辑return {"msg": "注册成功", "user": user.dict()}
关键技术点分析
1. Pydantic模型定义（BaseModel）
- 通过继承
BaseModel定义数据模型，模型中的字段使用Python类型注解声明类型，例如email: EmailStr，password: str。 - FastAPI自动根据模型定义对请求体数据进行验证和解析，确保传入数据符合预期结构和类型。
2. 字段级验证（@validator）
- 使用
@validator('字段名')装饰器定义针对单个字段的验证逻辑。 - 验证函数接收当前字段值
v和已验证字段的值values，可以实现跨字段的简单校验。 - 例如示例中
email_confirm字段验证是否与email字段一致。
3. 根验证器（@root_validator）
@root_validator用于对整个模型的字段集合进行联合验证，适合需要多个字段联合判断的场景。- 在示例中用来校验
password和password_confirm是否相同。 - 返回修改后的
values字典，或抛出ValueError以触发验证错误。
4. 内置类型和格式验证
- Pydantic提供丰富的内置类型，如
EmailStr自动验证邮箱格式，HttpUrl验证URL格式等。 - 通过类型注解，自动完成格式校验，减少手写正则表达式的工作量。
5. FastAPI自动集成
- FastAPI自动将请求体数据转换为Pydantic模型实例，验证失败时自动返回详细的错误响应。
- 通过声明接口参数类型为Pydantic模型，简化请求数据处理代码。
- 自动生成基于模型的Swagger交互文档，方便调试和测试。
总结
利用FastAPI和Pydantic结合，可以轻松实现高效、健壮的数据验证机制。通过声明式的模型定义和灵活的验证器装饰器，开发者可以清晰地表达数据结构和业务规则，减少手动校验代码，提高开发效率和代码质量。
示例中展示的字段级验证和根验证器是常见且实用的技术点，适用于邮箱确认、密码确认等多字段联合校验场景。结合Pydantic丰富的内置类型和FastAPI的自动文档功能，能够快速构建安全、规范的API接口。
