pydantic验证错误

使用 Pydantic 进行数据验证是一种高效且灵活的方式，可以确保输入数据的完整性和正确性。以下是 Pydantic 数据验证的基本使用方法： ### 定义模型并进行基本验证 Pydantic 允许通过定义模型类来指定数据结构和约束条件。每个字段都可以根据类型提示自动进行验证。 ```python from pydantic import BaseModel from typing import Optional class User(BaseModel): id: int name: str email: Optional[str] = None # 示例数据 user_data = {"id": 1, "name": "Alice", "email": "[email protected]"} # 创建模型实例 user = User(**user_data) print(user) # 输出: id=1 name='Alice' email='[email protected]' ``` ### 处理验证错误 如果输入数据不符合模型定义的类型或约束条件，Pydantic 会抛出 `ValidationError` 异常，并提供详细的错误信息。 ```python from pydantic import ValidationError try: invalid_user = User(id="invalid_id", name=123, email="not_an_email") except ValidationError as e: print(e.json(indent=2)) # 输出详细的错误信息 ``` ### 自定义验证逻辑 Pydantic 提供了 `@validator` 装饰器，允许开发者在模型中定义自定义验证逻辑。这在处理复杂的业务规则时非常有用。 ```python from pydantic import BaseModel, validator class QueryParameters(BaseModel): q: str @validator('q') def check_custom_logic(cls, value): if 'forbidden' in value: raise ValueError('The value is not allowed') return value # 示例验证 try: params = QueryParameters(q="search_forbidden_term") except ValidationError as e: print(e) # 输出: 1 validation error for QueryParameters ``` ### 验证文件数据 除了内存中的数据，Pydantic 还可以轻松验证来自文件的数据。例如，从 JSON 文件读取数据后，可以直接用 Pydantic 模型进行验证。 ```python import json from pydantic import BaseModel class FileData(BaseModel): name: str age: int # 假设有一个 JSON 文件 with open("data.json", "r") as f: data = json.load(f) # 验证文件数据 file_data = FileData(**data) print(file_data) # 输出: name='John Doe' age=30 ``` ### 集成到 FastAPI 中 Pydantic 可以与 FastAPI 无缝集成，用于验证 API 请求参数和请求体。以下是一个简单的示例： ```python from fastapi import FastAPI, Depends from pydantic import BaseModel, validator from typing import Optional app = FastAPI() class Item(BaseModel): name: str description: Optional[str] = None price: float tax: Optional[float] = None @app.post("/items/") async def create_item(item: Item): return item ``` ### 总结 Pydantic 提供了强大的数据验证功能，能够有效提升应用程序的健壮性和可靠性。通过定义模型、处理验证错误、实现自定义验证逻辑以及集成到框架如 FastAPI 中，开发者可以轻松应对各种复杂的数据验证需求。