“普通”Python 类和 Pydantic 类之间有什么区别？

Question

我想知道在 python 中正常构建的类与使用 Pydantic lib 构建的类之间的区别，例如：

例如正常；

   class Node:
        def __init__(self, chave=None, esquerda=None, direita=None):
            self.chave = chave
            self.esquerda = esquerda
            self.direita = direita

例如 pydantic；

from datetime import datetime
from typing import List, Optional
from pydantic import BaseModel


class User(BaseModel):
    id: int
    name = 'John Doe'
    signup_ts: Optional[datetime] = None
    friends: List[int] = []

Answer 1

有一些主要区别。 首先，目的。 Pydantic 模型的设计目的是：

使用 python 类型注释进行数据验证和设置管理。 pydantic 在运行时强制执行类型提示，并在数据无效时提供用户友好的错误。

当您使用类型注释时，您会收到很多验证器和一些开箱即用的有用方法。

正如 Ahmed 和 John 所说，在您的示例中，您无法将

“hello”

分配给 BaseModel (pydantic) 中的

id

，因为您将

id

输入为 int。但是你可以传递一个字符串

“1”

（必须是数字，而不是浮点数），它将被映射到

int

。在这种情况下：

pydantic 使用 int(v) 将类型强制转换为 int；请参阅有关数据转换期间信息丢失的警告

Pydantic 模型还允许您使用比标准 Python 类型更多的 types，例如 urls 等等。这意味着您可以轻松验证更多数据类型。

您可以使用组合轻松创建复杂模型。

Pydantic 与 orms 有某种集成：docs

还有很多其他功能，比我在一个答案中所能描述的要多得多。我强烈建议阅读文档，它非常清晰且有用。

pydantic 模型非常有用，例如在构建微服务时，您可以将接口共享为 pydantic 模型。此外，所有模型都可以轻松生成 json 模式。请参阅：架构、导出模型。

Pydantic 也是日益流行的 Python Web 框架 fastapi 的重要组成部分。

Answer 2

主要区别是：

• pydantic

  确保您使用的数据符合指定的结构和数据类型，

• pydantic

  执行运行时类型检查。该库将在创建模型实例时自动验证字段，并在可能的情况下将输入数据转换为声明的类型，或者 如果不能，则抛出错误。

from pydantic import BaseModel

class Item(BaseModel):
    name: str
    price: float
    is_in_stock: bool

item = Item(name='Widget', price=25.99, is_in_stock=True)

如果你像这样初始化一个类

item = Item(name=12, price=25.99, is_in_stock=True)

它会引发错误，因为

name

应该是

string

，而不是数字。

在正常的

python

课程中，你不会出现这样的错误。