Pydantic数据验证入门指南（手把手教你用Python构建安全可靠的数据模型）

什么是 Pydantic？

Pydantic 是一个基于 Python 类型提示（Type Hints）的数据校验库。它允许你定义数据模型（Model），并在实例化时自动验证传入的数据是否符合预期类型和约束条件。如果数据不合法，Pydantic 会抛出清晰的错误信息，帮助你快速定位问题。

安装 Pydantic

首先，你需要通过 pip 安装 Pydantic：

pip install pydantic

第一个 Pydantic 模型

让我们创建一个简单的用户模型，包含姓名（字符串）和年龄（整数）：

from pydantic import BaseModelclass User(BaseModel):    name: str    age: int# 创建用户实例user = User(name="张三", age=25)print(user.name)  # 输出: 张三print(user.age)   # 输出: 25

这段代码看起来很简单，但背后 Pydantic 已经做了大量工作：它确保 name 是字符串，age 是整数。如果你传入错误类型，比如 age="二十五"，Pydantic 会立即报错。

自动类型转换

Pydantic 不仅验证数据，还能智能地进行类型转换。例如，如果你传入字符串形式的数字，它会自动转为整数：

user = User(name="李四", age="30")  # age 是字符串 "30"print(user.age)   # 输出: 30 (已自动转为 int)print(type(user.age))  # <class 'int'>

字段约束与默认值

你可以为字段添加更多约束，比如最小值、最大值、默认值等。这需要用到 Field：

from pydantic import BaseModel, Fieldclass User(BaseModel):    name: str = Field(..., min_length=2, max_length=20)    age: int = Field(..., ge=0, le=120)  # ge: 大于等于, le: 小于等于    email: str = ""# 合法示例user = User(name="王五", age=18, email="wangwu@example.com")# 如果 name 长度小于2，会报错# user = User(name="A", age=25)  # ValidationError!

错误处理

当数据不符合模型要求时，Pydantic 会抛出 ValidationError。你可以捕获这个异常并处理：

from pydantic import ValidationErrortry:    user = User(name="", age=-5)except ValidationError as e:    print(e.json())  # 输出结构化的错误信息

为什么选择 Pydantic？

Pydantic 是目前最流行的 数据校验库 之一，广泛用于 FastAPI、Django REST Framework 等框架中。它具有以下优势：

• 基于 Python 原生类型提示，代码清晰易读
• 自动类型转换，减少手动处理
• 丰富的字段验证选项（正则、范围、长度等）
• 高性能（使用 C 扩展加速）
• 与 JSON Schema 无缝集成，便于生成 API 文档

结语

通过本篇 Pydantic教程，你应该已经掌握了如何使用 Pydantic 构建安全、可靠的数据模型。无论你是开发 Web API、处理配置文件，还是做数据清洗，Pydantic 都能帮你写出更健壮的代码。

记住，良好的数据验证是高质量软件的基础。现在就试试用 Pydantic 来重构你的下一个 Python 项目吧！

关键词回顾：Pydantic数据验证、Python数据模型、Pydantic教程、数据校验库