В мире Python работа с данными часто сводится к использованию словарей (dict). Это конечно удобно и гибко. Однако в больших проектах эта гибкость превращается в проблему. Ведь словари не имеют схемы, поэтому вы не знаете, какие ключи там должны быть, какого они типа и обязательны ли они.
Ошибка KeyError в проекте или, что хуже, падение логики из-за того, что вместо int пришло string - это классические проблемы разработчика.
В этой статье я разберу библиотеку Pydantic - стандарт для валидации данных в современном Python. А также рассмотрю синтаксис и разберу, как использование типизации и валидации меняет архитектуру приложения и делает код надежнее.
Почему Pydantic, а не просто assert?
Многие начинающие пытаются решать проблему валидации вручную:
Этот подход имеет три недостатка:
- Такого кода для проверок становится слишком много.
- По сигнатуре функции не видно, какие данные она ожидает.
- При изменении структуры данных нужно править проверки в десятках мест.
Pydantic решает эти проблемы, используя Type Hints (подсказки типов) для декларации схемы данных и автоматической валидации при инициализации.
Базовое использование
Начнем с установки актуальной версии через консоль:
pip install pydantic
Создадим простую модель пользователя. В Pydantic модели определяются как классы, наследующиеся от BaseModel
Что происходит под капотом?
- Pydantic проверяет типы. Если вы передадите id="1" (строку), библиотека попытается привести ее к int. Но если это невозможно - будет ошибка.
- Специальные типы, EmailStr, используют регулярные выражения для проверки формата.
- Поля со значениями по умолчанию (как is_active) не требуют передачи при инициализации.
Валидаторы
Иногда простого проверки типа мало. Например, пароль должен быть длиннее 8 символов, а возраст - положительным числом. Для этого в Pydantic существуют валидаторы.
@field_validator
Важный момент: Валидаторы должны возвращать значение. Вы можете либо вернуть проверенное значение v, либо изменить его (например, привести к нижнему регистру), либо выбросить исключение.
Вложенные модели и работа с JSON
Одно из самых мощных преимуществ Pydantic - работа со сложными структурами данных, например, ответами от API.
Представим сейчас, что мы получаем заказ из интернет магазина
Обратите внимание на model_validate_json. Pydantic не просто находит нужные данные в JSON, он повторно проходит по всем вложенным моделям (Product внутри Order) и валидирует каждую. Это избавляет от необходимости писать парсеры вручную.
Заключение
Таким образом можно подытожить, что используя библиотеку Pydantic в вашей работе, вам болше не придеться писать код для ручной проверки, вместо этого вы начнете явно указывать, какие данные ожидаются.
Что это дает разработчику:
- Ошибки в данных обнаруживаются на границе системы (при получении запроса), а не в середине бизнес-логики.
- Модели данных служат документацией. Читая класс User, вы сразу понимаете структуру объекта.
- Pydantic является основой для FastAPI, что позволяет автоматически генерировать Swagger-документацию.
В современной работе с Python, такой подход является зрелым и рациональным.