pydantic是一个Python的数据验证和转换库，它的特点是轻量、快速、可扩展、可配置。笔者常用的用于数据接口schema定义与检查。
具体的基本用法本文不再做过多的介绍，可以参考pydantic官方文档。本文主要是结合实际项目开发中遇到的问题和解题思路，介绍一些pydantic的高阶玩法。
当前现状
在项目中，pydantic的定义是在数据的出口进行规范化，从而使得下游接受方能更快地去解析和清洗这些数据。
from pydantic import BaseModel, Field
# 定义数据模型
class Project(BaseModel):
url: str = Field(...)
title: str = Field(...)
content: str = Field(...)
company: List[Dict] = Field(default=[])
industry: str = Field(...)以上是简单的一个数据模型定义，代码仅为示例，隐去了一些字段和配置。也就是我们必须传输给Project模型对应的数据才可以通过它的数据校验，否则就无法继续向下（可能是发往下游）
这么做一直以来没什么问题，直到本次项目中的接口返回出现了大更新，使得之前的所有代码层做的数据字段映射必须重新对应匹配。
比如之前title字段对应的是title，现在变成了detail-article-title。
这使得我们必须在代码层做诸如：
代码语言：python代码运行次数：0复制# project_data均为接口返回的数据，加数据演示
# 之前的代码
project_data = {
"url": "https://www.baidu.com",
"title": "百度一下，你就知道",
}
project = Project(
**project_data
)
# 现在的代码
project_data = {
"detail": {
"url": "xxx"
"article": {
"title": "项目标题",
}
}
}
project = Project(
url=project_data["detail"]["url"],
title=project_data["detail"]["article"]["title"],
)以上代码取值变得复杂，这还没考虑到数据可能存在出错的问题，比如detail字段不存在，这样就会导致KeyError异常。
而且这并不是夸张的举例（因为事实情况更复杂）。
我怎么能容忍这种情况呢？
解决方案
我当然不是想摒弃掉pydantic，而是想找到一种结合它更优雅的方式来解决这个问题。
于是我第一时间想到了jmespath模块，因为它是一个JSON查询语言，可以用来在JSON数据中查找和提取数据。
from jmespath import search
project_data = {
"detail": {
"article": {
"title": "项目标题",
}
}
}
title = search("detail.article.title", project_data)
assert title == "项目标题" # True
# 即使是path不存在，也不会异常，而是返回None
assert search("detail.article.title1", project_data) is None # True所以我打算做一个结合pydantic和jmespath的方式来解决这个问题。
class Project(BaseModel):
url: str = Field(...)
title: str = Field(...)
content: str = Field(...)
company: List[Dict] = Field(default=[])
industry: str = Field(...)
@root_validator(pre=True, skip_on_failure=True)
def data_converter(cls, v):
return {
"url": search("detail.id", v),
"title": search("detail.article.title", v),
"content": search("detail.article.content", v),
"company": search("company[*].name", v),
"industry": search("industry", v)
}
@validator("url")
def url_validator(cls, v):
# 由于这里的v是拿到的ID，需要组合成url
return f"https://xxxxx/{v}"从代码中可以知道，我是在root_validator中提前做了数据的转换，将jmespath的查询结果赋值给对应的字段。
但是做完之后我越看越变扭，我为了做这个事情，先要申明所有字段，还要对这些字段一一映射。
于是，我想到了pydantic的Config类，它可以用来配置pydantic的一些行为。而且通过查看源码，我认为我可以通过Field类中输入一个path变量，告诉未来的处理器，这个path是用来做数据提取的。
class Project(BaseModel):
url: str = Field(..., path="temporaryLibrary.id")
company_names: str = Field(..., path="company[0].enterprise.name")
versions: List[str] = Field(..., path="versionList[*].id")当然现在代码是没有任何意义的，因为path是我们自定义的，pydantic并不知道如何处理它。
所以下一步我们要做的是，如何更好的让pydantic知道如何处理path。
在多次翻阅它源代码，并结合官方文档中对Model类的介绍，我找到了一个可行的方案。
Pydantic models can be created from arbitrary class instances to support models that map to ORM objects.
也就是说，我可以将原始数据通过from_orm传递给pydantic的模型，然后通过Data binding的方式，将数据绑定到模型中。Data binding允许我们自定义数据的取值来源。
class ProjectGetter(GetterDict):
def get(self, key: str, default: Any) -> Any: # noqa
# 由于getter_dict所能拿到的“数据权限”相对较低，也就是它的权限仅仅是处理数据，而不是处理模型，所以我们需要自己去拿到模型，然后再去拿到path
model, data = self._obj['model'], self._obj['data']
for name, field in model.__fields__.items():
path = field.field_info.extra.get('path')
if path and name == key:
return search(path, data)
return default
class Project(BaseModel):
url: str = Field(..., path="detail.id")
company_names: str = Field(..., path="company[0].enterprise.name")
versions: List[str] = Field(..., path="versionList[*].id")
@validator("url")
def url_validator(cls, v):
return f"https://www.baidu.com/{v}"
class Config:
# 通过orm_mode指定数据的来源
orm_mode = True
# 通过getter_dict指定数据的获取方式
getter_dict = ProjectGetter
project_data = {
"detail": {
"id": 1,
"article": {
"title": "项目标题",
}
},
"company": [
{
"enterprise": {
"name": "企业名称1"
}
},
{
"enterprise": {
"name": "企业名称2"
}
}
],
"versionList": [{"id": "1.0"}, {"id": "2.0"}]
}
project = Project.from_orm({"model": Project, "data": project_data})
print(project)
# url='https://www.baidu.com/1' company_names='企业名称1' versions=['1.0', '2.0']这样我们在业务端，只需要对Field指定其对应数据提取的path，而不需要再去写一堆的validator或者是在数据进入前做一堆的数据转换。
总结
通过这个小例子，我们可以看到，pydantic的灵活性是非常强的，它可以通过Config类来配置一些行为，而且它的Field类也可以通过extra参数来传递一些额外的信息。这大大的提高了我们的对数据的处理能力。笔者也会在后续的文章中，继续分享pydantic的一些使用技巧。
