pydantic 是一个基于 python 类型提示的数据验证和设置管理库，通过定义模型类并利用类型注解实现自动校验。1. 使用 pydantic 时只需声明字段类型即可完成基本类型检查，支持 str、int、float、bool、list、dict 等内置类型，并能自动转换输入值为对应类型；2. 可使用 optional 标记可选字段，并为其设置默认值；3. 添加自定义验证逻辑可通过 @validator 装饰器限制字段值（如年龄范围），或用 @model_validator 实现跨字段验证；4. 支持嵌套模型结构，允许从字典、json 等原始数据构建模型对象；5. 可启用严格模式禁止类型转换，提升数据安全性。
在Python开发中，数据验证是确保程序健壮性的重要一环。尤其是在处理API请求、配置文件解析或数据库操作时，我们经常需要对输入数据的结构和类型进行检查。Pydantic 是一个非常流行的库，它通过类型注解自动完成数据验证和解析，让这一过程变得简洁又高效。
什么是 Pydantic？
Pydantic 是一个基于 Python 类型提示（Type Hints）的数据验证和设置管理库。它的核心思想是：用类来定义数据结构，并利用类型注解实现自动校验。你只需要声明每个字段的类型和约束条件，剩下的由 Pydantic 来帮你处理。
比如：
立即学习“Python免费学习笔记（深入）”；
from pydantic import BaseModel
class User(BaseModel):
name: str
age: int
user = User(name="Alice", age="25") # age传入字符串会被自动转成int在这个例子中，即使 age 被传入字符串 "25"，Pydantic 也会尝试将其转换为整数。如果传的是 "twenty-five"，就会抛出错误。
如何使用 Pydantic 做基本类型检查？
Pydantic 支持大多数内置类型，如 str, int, float, bool, list, dict 等。你只需在模型类中声明字段类型即可。
举个例子：
from pydantic import BaseModel
class Product(BaseModel):
name: str
price: float
in_stock: bool当你创建这个类的实例时：
p = Product(name="Laptop", price="999.99", in_stock="True")
虽然这里传入的是字符串形式的数值和布尔值，但 Pydantic 会自动将它们转换成正确的类型。如果传入无法转换的内容，比如 price="free"，就会报错。
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
小技巧：如果你希望某些字段可选，可以用 Optional：from typing import Optional class Product(BaseModel): name: str discount_price: Optional[float] = None
怎么添加自定义验证逻辑？
有时候，仅靠类型检查还不够，比如你需要确保年龄在某个范围内，或者邮箱格式正确。这时你可以使用 Pydantic 提供的装饰器方法。
例如，限制用户年龄范围：
from pydantic import BaseModel, validator
class User(BaseModel):
name: str
age: int
@validator('age')
def check_age(cls, v):
if v < 0 or v > 120:
raise ValueError('年龄必须在0到120之间')
return v这样，当传入非法的年龄时，会触发异常。
你也可以用 @model_validator 实现更复杂的跨字段验证，比如确认密码是否一致等。
Pydantic 的一些实用小技巧
-
默认值支持：可以直接给字段设置默认值。
class Settings(BaseModel): debug: bool = False -
嵌套模型：可以在模型中嵌套另一个模型。
class Address(BaseModel): city: str zip_code: str class User(BaseModel): name: str address: Address -
自动转换原始数据：支持从字典、JSON 等结构构建模型对象。
data = {'name': 'Bob', 'address': {'city': 'Shanghai', 'zip_code': '200000'}} user = User(**data) 严格模式：如果你希望完全禁止类型转换，可以使用
model_config = ConfigDict(strict=True)。
总的来说，Pydantic 让数据验证这件事变得既直观又强大。只要合理利用类型提示和验证机制，就能大幅减少手动校验的代码量，同时提升项目的可维护性和安全性。基本上就这些，不复杂但容易忽略细节的地方还挺多的。
