本文介绍如何使用 Pydantic v2 的 @field_validator(mode="before") 在嵌套模型（如 Dict[str, BaseModel]）验证前，自动将字典键赋值给子模型的指定字段（如 type），避免手动预处理数据，实现声明式、可复用的数据增强逻辑。
本文介绍如何使用 pydantic v2 的 `@field_validator(mode="before")` 在嵌套模型（如 `dict[str, basemodel]`）验证前，自动将字典键赋值给子模型的指定字段（如 `type`），避免手动预处理数据，实现声明式、可复用的数据增强逻辑。
在 Pydantic 中，当嵌套结构依赖外部上下文（例如字典的 key 需要成为子模型的字段值）时，标准验证流程无法直接满足需求——因为 UserType 的 type 字段缺失，而该值实际隐含在父级 objects 字典的键名中。此时，model_post_init 无济于事，它发生在所有字段均已验证完成之后，错误早已抛出。
正确解法是利用 field_validator 的 mode="before" ——它会在字段值传入类型转换与模型验证之前执行，允许你安全地修改原始输入数据（通常是 dict 或 list），再交由后续流程处理。
以下为完整、可运行的实现：
from typing import Dict
from pydantic import BaseModel, Field, field_validator, ValidationError
class UserType(BaseModel):
name: str = Field(min_length=1)
type: str = Field(min_length=1) # 现在可被自动填充
class AppConfig(BaseModel):
key1: int = Field(gt=0)
objects: Dict[str, UserType]
@field_validator("objects", mode="before")
@classmethod
def inject_type_from_key(cls, objects_dict):
"""
在 objects 字段进入 UserType 验证前，
为每个子字典注入 'type' 键，值为当前字典键名。
"""
if not isinstance(objects_dict, dict):
return objects_dict
result = {}
for key, value in objects_dict.items():
# 确保 value 是 dict，便于更新；若已是 BaseModel 实例则跳过（罕见）
if isinstance(value, dict):
updated_value = value.copy()
updated_value["type"] = key
result[key] = updated_value
else:
# 若 value 非 dict（如已为 UserType 实例），保留原值
result[key] = value
return result
# 测试数据：无需显式提供 'type'
data = {
"key1": 1,
"objects": {
"type1": {"name": "Name 2"},
"type2": {"name": "Name 1"}
}
}
try:
config = AppConfig.model_validate(data) # 推荐使用 model_validate 而非 **解包
print(config.model_dump_json(indent=2))
except ValidationError as e:
print(e)
✅ 输出结果：
{
"key1": 1,
"objects": {
"type1": {
"name": "Name 2",
"type": "type1"
},
"type2": {
"name": "Name 1",
"type": "type2"
}
}
}
⚠️ 注意事项：
- 必须使用 model_validate()（推荐）或 parse_obj() 进行验证，不要用 `AppConfig(data)** ——后者绕过mode="before"验证器，仅触发init` 流程；
- @field_validator(..., mode="before") 修饰的是字段名（如 "objects"），且必须为 @classmethod；
- 输入 objects 参数是原始 Python 字典（或其它未解析类型），因此可安全 update 或重建；
- 若 objects 中存在非字典值（如 None 或已实例化的 UserType），应在验证器中做类型判断，避免 AttributeError；
- 此方案完全声明式、模型内聚，无需在业务逻辑中重复处理数据预填充。
通过该方式，你将数据“上下文感知”的逻辑封装在模型定义中，既保持了 Pydantic 的强类型优势，又实现了灵活的数据适配能力。
