likes
comments
collection
share

FastAPI 开发中数据校验利器 Pydantic 介绍与集成使用

作者站长头像
站长
· 阅读数 73

前言

当我们在处理一些数据来自系统外部的时候,可能来自 API、终端用户输入或者其他途径,Web 开发中有句话叫做:永远不要相信用户的输入

所以,我们可能需要检查、校验这些数据,将这些数据格式化、标准化,以至于这些数据满足我们真实程序的数据输入,保证项目的正确执行。

Pydantic 介绍

Pydantic 是一个 Python 库,它提供了一种简单方便的方法来验证和操作数据。它的创建是为了帮助简化数据验证过程并提高开发人员的效率。 Pydantic 与 Python 的数据结构无缝集成,并提供灵活且用户友好的 API 来定义和验证数据。使用 Pydantic,开发人员可以定义他们的数据结构和验证规则,库将自动验证传入数据并在不满足任何规则时引发错误。这有助于确保项目中使用的数据是一致的并符合要求的标准。

FastAPI 开发中数据校验利器 Pydantic 介绍与集成使用

官方介绍:使用 Python 类型注释的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。定义数据应该如何在纯正的、规范的 Python 中;用 pydantic 验证它。

Pydantic 提供 BaseModel 让开发者能够通过继承该类并且利用 typing 注记类别属性的数据类型,保证我们不用写过多的代码就拥有基本的数据验证功能。

定义模型时,被用作请求主体对象和请求-响应对象的类型提示。在本文中,我们将简单看一下在请求体中使用Pydantic 模型来处理 POST 请求。

Pydantic 安装

pip install pydantic

FastAPI 开发中数据校验利器 Pydantic 介绍与集成使用

但是如果你是直接安装好了 FastAPI ,这一步可以跳过,因为 FastAPI 框架就使用了 Pydantic。

Pydantic 优点

  • 易于使用: Pydantic 很容易安装与使用,并且有一个简单的 API,使得所有开发者都可以快速上手使用。
  • 快速验证: Pydantic 快速有效地执行数据验证,使其适合于在高性能的应用程序中使用。
  • 自动生成文档: Pydantic 可以为你的数据模型自动生成文档,节省时间,并且更容易理解你的数据结构。
  • 类型提示支持: Pydantic 支持类型提示,使开发人员更容易定义数据结构,避免在代码中出现错误。
  • 与 FastAPI 集成: Pydantic 可以很容易地与FastAPI(一个高性能的 Python 网络框架)集成,为 API 提供自动请求和响应验证。
  • 自定义验证规则: Pydantic 允许开发人员定义自定义的验证规则,使得在需要的时候可以实现复杂的验证逻辑。
  • 一致的数据: Pydantic 确保项目中使用的数据是一致的,并符合所需的标准,减少了错误的风险,使代码库的维护更加容易。

什么是类型注解

Python 是动态类型的语言,所以在同一个命名空间中,变量的值可以是字符串也可以是数组,比如:

>>> x = 4
>>> type(x)
<class 'int'>
>>> x = "hello, 宇宙之一粟"
>>> type(x)
<class 'str'>

大约在 Python 3.5 起引入了 type hints 类型注解,虽然 Python 在运行时不强制执行函数和变量类型注解,但这些注解可用于类型检查器、IDE、静态检查器等第三方工具,这些工具就可以帮助我们侦测类型上的错误。

最简单的注解方式如下:

def hello(name: str) -> str:
    return 'Hello ' + name

这里面的 : str 声明 name 字段为字符串,如果传入 int 类型,编译器就会得到报错:

FastAPI 开发中数据校验利器 Pydantic 介绍与集成使用

利用 Pydantic 定义模型

我们在定义如下 Book 模型的时候,我们声明了 id 为数字类型,Name 到 ISBN 都为字符串类型,Tags 为列表类型,通过继承自 BaseModel 的特性,Pydantic 会自动帮我们验证型态的正确性:

from pydantic import BaseModel

class Book(BaseModel):
    id: int
    Name: str
    Author: str
    Publisher: str
    ISBN: str
    Tags: list[str]


HeadFirstPython = Book(
    id = 1,
    Name = 'Head First Python, 2nd Edition',
    Author = 'Paul Barry',
    Publisher ="O'Reilly Media, Inc.",
    ISBN = "9781491919538",
    Tags = ["Python", "Head Frist"]
)

如果这样定义之后,我们的上述的 HeadFirstPython 不会报任何错误,但是如果我们的 id 还没定义,如下:

from pydantic import BaseModel

class Book(BaseModel):
    id: int
    Name: str
    Author: str
    Publisher: str
    ISBN: str
    Tags: list[str]


HeadFirstPython = Book(
    id = "notdefineyet",
    Name = 'Head First Python, 2nd Edition',
    Author = 'Paul Barry',
    Publisher ="O'Reilly Media, Inc.",
    ISBN = "9781491919538",
    Tags = ["Python", "Head Frist"]
)

则会报一个 id 类型错误的报错:

FastAPI 开发中数据校验利器 Pydantic 介绍与集成使用

但是如果你定义 id 为 id = "1", 则不会报错,因为 Pydantic 帮助我们自动实现了类型转换,如果想要严格控制 int 类型,需要导入 StrictIntStrictString 同理,代码如下:

from pydantic import BaseModel, StrictInt, StrictStr

class Book(BaseModel):
    # id: int
    id: StrictInt
    # Name: str
    Name: StrictStr
    Author: str
    Publisher: str
    ISBN: str
    Tags: list[str]


HeadFirstPython = Book(
    # id = "1",
    id = 1,
    # Name = 'Head First Python, 2nd Edition',
    Name = 27546, # 此处会报错,
    Author = 'Paul Barry',
    Publisher ="O'Reilly Media, Inc.",
    ISBN = "9781491919538",
    Tags = ["Python", "Head Frist", 1]
)

print('output>', HeadFirstPython.dict())

报错信息如下:

pydantic.error_wrappers.ValidationError: 1 validation error for Book
Name
  str type expected (type=type_error.str)

更多 Pydantic 的类型详细说明,请查看官方文档,点此处

Pydantic 的工作方式

Pydantic 的工作方式是允许开发人员使用 Python 类来定义数据模型。这些类继承自 Pydantic 提供的 BaseModel 类,可以包括类型提示、默认值和验证规则。当收到数据时,Pydantic 使用数据模型来验证传入的数据,并确保其符合所定义的要求。

在验证过程中,Pydantic 对照数据模型中定义的类型提示和验证规则,检查数据中的每个字段。如果数据不符合要求,Pydantic 会提出一个错误,并停止验证过程。如果数据是有效的,Pydantic 就会创建一个数据模型的实例,用传入的数据来填充它,并将其返回给用户。

Pydantic 还提供了一些高级功能,例如字段别名,自定义验证函数,以及对嵌套数据模型的支持,使得它可以处理广泛的数据验证场景。此外,Pydantic支持序列化和反序列化,允许根据需要将数据转换为Python数据结构、JSON和其他格式。

Pydantic 与 FastAPI 集成开发 Demo:写一个 todo 应用

假设我们通过 FastAPI 集成 Pydantic 的优点,写一个 todo 应用的接口实现 Todo 应用的创建和查看功能,文件目录结构如下:

FastAPI 开发中数据校验利器 Pydantic 介绍与集成使用

首先,我们通过 Pydantic 新建 todo 应用的 model.py:

from pydantic import BaseModel, StrictInt


class Todo(BaseModel):
    id: StrictInt
    item: str

先简单定义了两个字段:

  • id:数字类型,作为唯一标识
  • item: 字符串类型

然后新建路由文件夹 router,在其中建立一个 todo_router.py 文件,写入如下代码:

from fastapi import APIRouter
from models.model import Todo

todo_router = APIRouter()

todo_list = []

@todo_router.post("/todo")
async def add_todo(todo: Todo) -> dict:
    todo_list.append(todo)
    return {
        "message": "Todo added successfully"
    }

@todo_router.get("/todo")
async def retrieve_todos() -> dict:
    return {
        "todos": todo_list
    }

回到 main.py:

from fastapi import FastAPI

from routers.todo_router import todo_router # importing router

app = FastAPI() # create an app instance



@app.get('/') 
async def home() -> dict:
    return { "message": "Welcome to my Page"}

app.include_router(todo_router)

验证 Pydantic 是否生效

执行命令如下:

$ uvicorn main:app --reload --port 8888
INFO:     Will watch for changes in these directories: ['C:\\Users\\Wade\\Desktop\\FastAPI\\fastwebprojects']
INFO:     Uvicorn running on http://127.0.0.1:8888 (Press CTRL+C to quit)
INFO:     Started reloader process [22288] using StatReload
INFO:     Started server process [25008]
INFO:     Waiting for application startup.
INFO:     Application startup complete.

另外打开一个终端,执行 GET 请求,得到空的 todo 列表:

$ curl -X 'GET' 'http://127.0.0.1:8888/todo' -H 'accept: applicaion/json'
{"todos":[]}

接着执行 POST 请求,如下:

curl -X POST http://127.0.0.1:8888/todo -H 'accept: application/json' -H 'Content-Type: application/json' -d '{}'
{"detail":[{"loc":["body","id"],"msg":"field required","type":"value_error.missing"},{"loc":["body","item"],"msg":"field required","type":"value_error.missing"}]}

如果我们传入一个空的数组,将会得到一串由 Pydantic 校验生成的 JSON 数据,格式化如下:

{
  "detail": [
    {
      "loc": [
        "body",
        "id"
      ],
      "msg": "field required",
      "type": "value_error.missing"
    },
    {
      "loc": [
        "body",
        "item"
      ],
      "msg": "field required",
      "type": "value_error.missing"
    }
  ]
}

该 JSON 数据提示我们 id 和 item 都是必须字段 "msg": "field required", 因此,我们更改一下 POST 请求,如下:

$ curl -X POST http://127.0.0.1:8888/todo -H 'accept: application/json' -H 'Content-Type: application/json' -d '{"id": 1, "item": "write a todo project"}'    
{"message":"Todo added successfully"}

此时我们可以看到创建一个 todo 事项成功,返回了 {"message":"Todo added successfully"} !

再执行一次 curl 的 GET 请求,结果如下,可以看到刚刚创建成功的今日 todo—— item"write a todo project", id 值为 1:

$ curl -X 'GET' 'http://127.0.0.1:8888/todo' -H 'accept: applicaion/json'        
{"todos":[{"id":1,"item":"write a todo project"}]}

打开 http://127.0.0.1:8888/docs ,可以看到如下界面:

FastAPI 开发中数据校验利器 Pydantic 介绍与集成使用

此处 Todo 就是我们刚刚定义的 Model 中限定的字段类型:

FastAPI 开发中数据校验利器 Pydantic 介绍与集成使用

总结

本文介绍了 Pydantic 以及它的安装与工作方式, Pydantic 提供了自动的数据验证,提高了性能,并且支持复杂的数据结构,使得构建健壮和可维护的应用程序更加容易。虽然本文只是简单的校验数据的存在性,还有更多比如邮箱、密码格式等等, Pydantic 都会提供,希望本文抛砖引玉,让大家探索和学习 Pydantic 的更多功能。

希望本文能对你有所帮助,如果喜欢本文,可以点个关注.

下一篇文章见!宇宙古今无有穷期,一生不过须臾,当思奋争。

参考链接:

转载自:https://juejin.cn/post/7218080084140736572
评论
请登录