dataclass本身不校验，需配合__post_init__或pydantic实现：前者适合轻量规则校验，后者支持强类型、默认值、嵌套等完整能力。
Python 中用 dataclass 做数据校验，核心不是它本身——@dataclass 默认不校验，得靠类型提示 + 第三方库（比如 pydantic）或手动加 __post_init__。但它是构建可校验模型的绝佳起点：结构清晰、字段明确、初始化自动，天然适配校验逻辑。
用 @dataclass 定义基础结构
先写一个干净的数据容器，明确字段名和类型：
from dataclasses import dataclass <p>@dataclass class User: name: str age: int email: str
这样就自动生成了 __init__、__repr__ 和 __eq__。但注意：此时传入 age="abc" 不会报错，因为 Python 运行时不检查类型。
加类型校验：用 __post_init__ 手动把关
在实例创建后立刻验证字段值，适合轻量级业务规则：
立即学习“Python免费学习笔记（深入）”；
- 检查
age是否为正整数 - 确认
email包含@ - 对空字符串或
None提前拦截
示例：
@dataclass
class User:
name: str
age: int
email: str
<pre class="brush:php;toolbar:false;">def __post_init__(self):
if not isinstance(self.age, int) or self.age < 0:
raise ValueError("age must be a non-negative integer")
if "@" not in self.email:
raise ValueError("email must contain '@'")
if not self.name or not isinstance(self.name, str):
raise ValueError("name must be a non-empty string")
macOS UI 自动化技能包 —— 用 Python 控制你的 Mac
下载
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
配合 pydantic 实现强校验（推荐）
如果需要完整类型校验、默认值、嵌套模型、JSON 序列化等能力，直接用 pydantic.BaseModel 更省心。但它底层常和 dataclass 思路一致，且支持 @dataclass 风格写法（v2+）：
from pydantic.dataclasses import dataclass
<p>@dataclass
class User:
name: str
age: int
email: str</p><pre class="brush:php;toolbar:false;">def __post_init_post_parse__(self):
# 解析后额外校验（类似 __post_init__）
if self.age < 0:
raise ValueError("age cannot be negative")
这时传入 age="25" 会自动转成 int；传入 age=-5 则触发异常。
字段默认值与可选字段处理
校验常涉及“字段是否必填”。用 field(default=...) 或 Optional 明确语义：
-
score: float = 0.0→ 有默认值，不传也不报错 -
tags: list[str] = field(default_factory=list)→ 可变默认值安全写法 -
phone: Optional[str] = None→ 允许为空，校验时需单独判断是否提供
注意：不要用 list 或 dict 直接作默认值，会共享引用。
不复杂但容易忽略：dataclass 是骨架，校验是肌肉；光有类型注解不够，得靠运行时逻辑或专用工具来发力。
