Pydantic数据校验实战：BaseModel与Annotated
pydantic 是基于 Python 类型提示（type hints）的数据校验库，官方文档见 https://docs.pydantic.dev/latest。它用类型注解定义数据 schema，在运行时完成校验与序列化。本文从 Python 类型系统的前置知识出发，梳理 pydantic 的常规用法，重点演示 BaseModel、Annotated、model_validate 等实战场景。Python 是弱类型语言，解释器不会在运行时做类型检查。比如下面这个函数，参数本意是字符串，如果传入整数，只有运行到 split 时才会抛异常：
def test_str(a):
return a.split(' ')
给参数加上类型注解后，配合 VSCode 的 Pylance（基于 Pyright）插件，可以在编辑阶段发现类型不匹配：
def test_str(a: str):
return a.split(' ')
但 Pylance 的类型检查默认是关闭的，需要开启。在项目的 pyproject.toml 中可以这样配置：
typeCheckingMode = "standard"
pythonVersion = "3.11"
除了基本注解，Python 还提供了 Annotated 工具类，用于给类型附加元数据。Annotated 中的元数据可以是任意 Python 对象，解释器本身不处理，但静态分析工具或框架（如 pydantic）可以读取。例如定义年龄范围：
class A(BaseModel, strict=True):
name: Annotated
age: Annotated
当 name 过短或 age 超过 100 时，pydantic 会在实例化时抛 ValidationError。这就是 Annotated 在 pydantic 中的核心价值。
与 Annotated 相关的三个内省函数分别是 get_origin、get_args 和 get_type_hints。get_origin 返回类型构造器，get_args 返回类型参数元组，get_type_hints 在 include_extras=True 时能保留完整的 Annotated 信息。
接着是 dataclasses.dataclass。这个装饰器可以根据类中带类型注解的属性自动生成 __init__、__repr__、__eq__ 等魔术方法。注意，没有类型注解的类属性不会被当作字段：
@dataclass
class B:
name: str = 'abc'
age = 10# 不会出现在 __init__ 中
实例化后 b.__dict__ 只包含 name，不包含 age。
pydantic 还依赖一部分泛型知识。TypeVar 是类型变量占位符，Generic 用来声明泛型类。类型参数可以通过 bound 设置上界，或者通过 constraints 限制为几个类型之一。需要注意的是，bound 和 constraints 互斥。例如：
T_bound = TypeVar('T_bound', bound=TBound)
T_cons = TypeVar('T_cons', str, float)
泛型方法中，如果方法使用与类绑定的类型变量之外的新类型变量，也属于泛型方法。
进入 pydantic 正题。pydantic 的 schema 校验基于 Python 类型提示，定义 schema 有四种方式：BaseModel 数据模型、pydantic.dataclasses.dataclass 装饰器、TypeAdapter、validate_call。本文重点介绍 BaseModel。
继承自 BaseModel 的类就是一个数据模型类，类属性就是字段，字段必须带类型注解。通过 ConfigDict(strict=True) 可以开启严格模式，此时字段值必须与类型完全匹配，不做隐式转换：
from pydantic import BaseModel, ConfigDict, ValidationError
from annotated_types import Le, Ge
class A(BaseModel):
name: str
age: int
model_config = ConfigDict(strict=True)
try:
a = A(name='abc', age='11')
except ValidationError as e:
print(e)
a = A(name='abc', age=10)
print(a.model_dump())
输出中会给出 age 字段的详细错误信息，包括错误类型和输入值。严格模式下字符串 '11' 不会被转换为整数，而是直接报错。
模型实例也支持拷贝。model_copy 可以执行浅拷贝或深拷贝，并且可以在拷贝时更新字段：
copy_obj = obj.model_copy(update={'arg2': 3.4})
deep_copy_obj = obj.model_copy(deep=True)
浅拷贝时内部嵌套模型对象是同一个引用；深拷贝则完全独立。
pydantic 还提供了三个校验相关类方法：model_validate、model_validate_json、model_validate_strings。model_validate 接收一个已存在的 Python 字典或模型实例，校验后返回模型对象。例如：
class B(BaseModel):
name: str = Field(default='abc', min_length=1)
age: Annotated
sign_time: datetime | None = None
b = B.model_validate({'name': '123', 'age': '20', 'sign_time': '2025-10-09T22:00:00Z'})
print(b)
默认模式下，字符串形式的 age 和 sign_time 会被解析成对应类型。如果调用时传入 strict=True，则要求类型完全匹配，字符串 '20' 就会报错：
b1 = B.model_validate({'name': '123', 'age': '20', 'sign_time': '2025-10-09T22:00:00Z'}, strict=True)
这时只有使用真正的 int 和 datetime 对象才能通过校验。
以上就是 pydantic 结合 Annotated、dataclass、泛型等 Python 类型系统特性进行数据校验的实战总结。理解这些前置知识，再使用 BaseModel 和 model_validate，就能应对大多数接口入参校验与数据清洗场景。
Re: Pydantic数据校验实战：BaseModel与Annotated
楼主的帖子写得挺清晰的，把 pydantic 的核心用法从 Python 类型提示讲到了 BaseModel 和 Annotated，还顺带提了 dataclass、泛型和严格模式的注意事项，对刚接触 pydantic 的人来说很友好。 我特别认同“编辑器类型检查默认关闭”这个点，很多新手确实会忽略 pyproject.toml 里的 pyright 配置。Annotated 那段例子很直观，Ge/Le 和 MinLen 组合起来比 Field 写起来更灵活。 有个小疑惑想请教：最后那个 `model_validate(..., strict=True)` 的例子好像没贴完，是后面还有内容吗？另外如果方便的话，希望能补充一下 TypeAdapter 和 validate_call 的简单示例，这样四种 schema 定义方式就完整了。整体学习价值很高，感谢分享！Re: Pydantic数据校验实战：BaseModel与Annotated
感谢楼主这么详细的实战梳理！正好最近在项目里从手写校验往 pydantic 迁移，这篇帖子把 BaseModel 和 Annotated 的核心用法讲得很清楚，尤其是 Annotated 这种附加元数据的方式，配合 Ge、Le 这些约束，比之前用 Field 写在字段默认值里直观多了。 有个小点想请教一下：楼主提到 Pylance 默认不开启类型检查，需要在 pyproject.toml 里手动配 typeCheckingMode。那如果项目里同时用了 mypy，这两者的配置会不会有冲突？还是说一般建议只用其中一个做静态检查就够了？Re: Pydantic数据校验实战：BaseModel与Annotated
很实用的入门梳理，把 Python 类型注解到 pydantic 校验这条线讲得挺清楚。尤其 Annotated 和 get_origin/get_args 那部分，平时容易忽略但确实关键。之前用 model_validate 时会忽略 strict 参数的差异，看完提醒了我。顺便问下楼主，日常写 model 时更习惯用 Annotated 还是 Field？感觉两者有重叠，有时候不知道该优先用哪个。
页:
[1]