pydantic学习与使用-2.基本模型(BaseModel)使用

前言

在 pydantic 中定义对象的主要方法是通过模型（模型继承 BaseModel ）。
pydantic主要是一个解析库，而不是验证库。验证是达到目的的一种手段：建立一个符合所提供的类型和约束的模型。
换句话说，pydantic保证输出模型的类型和约束，而不是输入数据。
虽然验证不是pydantic的主要目的，但您可以使用此库进行自定义验证。

基本模型使用

User这是一个模型，它有两个字段id，一个是整数，是必需的，name一个是字符串，不是必需的（它有一个默认值)

from pydantic import BaseModel

class User(BaseModel):
    id: int
    name = 'yo yo'

类型name是从默认值(字符串)推断出来的，因此不需要类型注释（但是请注意当某些字段没有类型注释时有关字段顺序的警告）

user = User(id='123')

user这是一个实例User。对象的初始化将执行所有解析和验证，如果没有ValidationError引发，说明生成的模型实例是有效的。
user实例有 id 和 name 2个属性

user = User(id='123')
print(user.id)   # 123
print(user.name)  # yo yo

模型的字段可以作为用户对象的普通属性访问。字符串 '123' 已根据字段类型转换为 int.
name初始化用户时未设置，因此它具有默认值.

那么如何知道初始化的时候，需要哪些必填字段？可以通过 __fields_set__ 方法

print(user.__fields_set__)  # {'id'}

.dict() 可以将user对象的属性，转成字典格式输出，dict(user) 也是等价的

print(user.dict())  # {'id': 123, 'name': 'yo yo'}
print(dict(user))  # {'id': 123, 'name': 'yo yo'}

.json()可以将user对象的属性，转成json格式输出

print(user.json())  # {"id": 123, "name": "yo yo"}

BaseModel 模型属性

上面的例子只是展示了模型可以做什么的冰山一角。模型具有以下方法和属性：
dict() 返回模型字段和值的字典；参看。导出模型
json() 返回一个 JSON 字符串表示dict()；参看。导出模型
copy() 返回模型的副本（默认为浅拷贝）；参看。导出模型
parse_obj() 如果对象不是字典，则用于将任何对象加载到具有错误处理的模型中的实用程序；参看。辅助函数
parse_raw() 用于加载多种格式字符串的实用程序；参看。辅助函数
parse_file() 喜欢parse_raw()但是对于文件路径；参看。辅助函数
from_orm() 将数据从任意类加载到模型中；参看。ORM模式
schema() 返回将模型表示为 JSON Schema 的字典；参看。图式
schema_json() schema()返回;的 JSON 字符串表示形式 参看。图式
construct() 无需运行验证即可创建模型的类方法；参看。创建没有验证的模型
__fields_set__ 初始化模型实例时设置的字段名称集
__fields__ 模型字段的字典
__config__ 模型的配置类，cf。模型配置

递归模型

可以使用模型本身作为注释中的类型来定义更复杂的分层数据结构。

from typing import List
from pydantic import BaseModel


class Foo(BaseModel):
    count: int
    size: float = None


class Bar(BaseModel):
    apple = 'x'
    banana = 'y'


class Spam(BaseModel):
    foo: Foo
    bars: List[Bar]


m = Spam(foo={'count': 4}, bars=[{'apple': 'x1'}, {'apple': 'x2'}])
print(m)
#> foo=Foo(count=4, size=None) bars=[Bar(apple='x1', banana='y'),
#> Bar(apple='x2', banana='y')]
print(m.dict())
"""
{
    'foo': {'count': 4, 'size': None},
    'bars': [
        {'apple': 'x1', 'banana': 'y'},
        {'apple': 'x2', 'banana': 'y'},
    ],
}
"""

辅助函数

Pydantic为解析数据的模型提供了三个classmethod辅助函数：

• parse_obj：这与模型的方法非常相似__init__，除了它需要一个字典而不是关键字参数。如果传递的对象不是 dict，ValidationError则将引发。
• parse_raw：这需要一个str或bytes并将其解析为json，然后将结果传递给parse_obj. 通过适当地设置参数也支持解析泡菜数据。content_type
• parse_file: 这需要一个文件路径，读取文件并将内容传递给parse_raw. 如果content_type省略，则从文件的扩展名推断。

parse_obj 的使用

from datetime import datetime
from pydantic import BaseModel, ValidationError


class User(BaseModel):
    id: int
    name = 'John Doe'
    signup_ts: datetime = None


m = User.parse_obj({'id': 123, 'name': 'James'})
print(m)  # id=123 signup_ts=None name='James'

parse_raw 需要一个str或bytes并将其解析为json

m = User.parse_raw('{"id": 123, "name": "James"}')
print(m)  # > id=123 signup_ts=None name='James'

parse_file 可以读取一个文件的内容
data.json文件

{
  "id": 123,
  "name": "James"
}

from pathlib import Path

path = Path('data.json')  # 读取文件内容
m = User.parse_file(path)
print(m)  # > id=123 signup_ts=None name='James'

.write_text()可以自己写内容到文件

from pathlib import Path
path = Path('data1.json')
path.write_text('{"id": 345, "name": "James 11"}')
m = User.parse_file(path)
print(m)  # > id=345 name='James 11'