python数据验证首选pydantic用于外部输入，dataclass适用于内部可信数据；pydantic默认严格校验并支持序列化，dataclass仅生成方法且无运行时验证；二者可通过pydantic.dataclasses混用。
Python 数据验证主要靠 dataclass 和 pydantic 两种思路：前者是标准库轻量结构定义，后者是第三方库强验证+序列化方案。关键区别在于——dataclass 不做运行时类型校验，而 pydantic 默认就做、且更严格。
dataclass：只管结构，不管数据对不对
dataclass 是 Python 3.7+ 标准库特性，本质是自动生成 __init__、__repr__ 等方法的语法糖。它支持类型提示，但类型注解仅作标注，不触发验证：
- 你可以传入字符串给一个标注为
int的字段，不会报错 - 需要手动加
@dataclass+field(default_factory=...)或写__post_init__做简单检查 - 适合内部数据建模、配置对象等对输入来源可信的场景
pydantic：定义即验证，开箱即用的数据守门员
pydantic（v2 推荐用 BaseModel）把类型注解真正“执行”起来。初始化时自动校验、转换、默认值填充，并能给出清晰错误信息：
- 传
"123"给age: int字段，会自动转成123（可配strict=True禁止隐式转换） - 传
None给非可选字段，立刻抛ValidationError - 支持嵌套模型、
Field(..., gt=0)约束、validator自定义逻辑、JSON 序列化/反序列化
什么时候选哪个？看输入是否来自外部
如果数据来自用户输入、API 请求、配置文件或数据库读取——选 pydantic；如果只是代码内构造的中间结构、参数封装、且你完全控制赋值过程——dataclass 更轻、无依赖。
- Web API 入参/出参 →
pydantic.BaseModel - CLI 工具的配置类 →
pydantic.BaseModel（支持环境变量、TOML 加载） - 函数内部的临时数据容器 →
@dataclass足够 - 需要和 JSON Schema、OpenAPI 对接 → 必须用
pydantic
小技巧：dataclass + pydantic 混用也行
pydantic v2 支持直接从 dataclass 创建模型：from pydantic.dataclasses import dataclass。这样既能享受 dataclass 的简洁写法，又获得 pydantic 的验证能力。注意此时字段行为已不是原生 dataclass，而是受 pydantic 控制。
- 保留
__post_init__会被忽略，改用@field_validator - 默认值、
Optional、Union类型都按pydantic规则解析 - 适合想渐进迁移老
dataclass代码的团队
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
