9 Pydantic复杂数据结构的处理

在构建现代 Web 应用时，我们往往需要处理复杂的输入和输出数据结构。例如，响应数据可能包含嵌套字典、列表、元组，甚至是多个嵌套对象。Pydantic 是一个强大的数据验证和序列化库，可以帮助我们轻松地处理这些复杂的数据结构，并通过自定义方法进行验证和转换。

本文将介绍如何使用 Pydantic 处理复杂数据结构，包括嵌套模型、嵌套字典、列表、元组等，及如何使用自定义方法进行数据验证。

1. Pydantic 简介

Pydantic 通过定义 Python 类并继承 BaseModel，使得开发者能够轻松定义数据模型并进行自动验证。Pydantic 支持多种数据类型，包括基本类型（如 int、str 等）和更复杂的类型（如 List、Dict、Tuple、嵌套模型等）。

2. 嵌套模型

2.1 嵌套模型的定义

在许多应用场景中，数据往往具有层级结构。例如，一个订单可能包含多个商品项，每个商品项都有自己的名称、数量和价格。我们可以通过嵌套 Pydantic 模型来处理这种层级结构。

假设我们有以下数据结构：一个订单包含用户信息和多个商品项。我们可以定义两个模型，User 和 Item，并在 Order 模型中嵌套这两个模型。

from pydantic import BaseModel
from typing import List

class Item(BaseModel):
    name: str
    quantity: int
    price: float

class User(BaseModel):
    name: str
    email: str

class Order(BaseModel):
    user: User
    items: List[Item]
    total_amount: float

在这个例子中：

• Order 模型嵌套了 User 和 Item 模型。
• items 字段是一个 Item 对象的列表，表示订单中的多个商品项。
• total_amount 字段表示订单总金额。

2.2 使用嵌套模型

我们可以像下面这样创建一个订单对象：

order_data = {
   
    "user": {
   "name": "John Doe", "email": "john.doe@example.com"},
    "items": [
        {
   "name": "Laptop", "quantity": 1, "price": 1200.00},
        {