pydantic v2 性能提升需正确使用 api：用 model_validate 替代 parse_obj，启用 strict=true 跳过类型转换，批量数据用 typeadapter，谨慎使用 extra="forbid"。
Pydantic v2 能显著提升数据验证与解析速度，但不是装完就自动变快——关键在用对 API、配对参数、避开默认陷阱。
model_validate 比 parse_obj 快 1.5–2.8 倍，但得手动替换
v2 的 model_validate 是 v1 parse_obj 的替代品，底层走 Rust 编译式验证，实测 10 万条嵌套数据快近两倍。但如果你没改调用方式，性能优势完全不生效。
- ❌ 错误写法：
UserModel.parse_obj(data)（v1 方法，v2 中仍存在但已弃用，走兼容路径，慢） - ✅ 正确写法：
UserModel.model_validate(data) - 注意：
model_validate默认不接受**kwargs形式传参；必须传 dict 或 object，否则报ValidationError
strict=True 能跳过类型转换，但输入必须“刚好匹配”
启用严格模式后，v2 不再尝试把 "123" 转成 int、也不把 123.0 当 float 宽松处理——直接比对类型，省掉大量运行时判断。
- 适用场景：你控制输入源（如内部服务间调用、JSON Schema 已约束字段类型）
- 配置方式：
model_config = ConfigDict(strict=True) - 风险点：前端传来的
{"age": "25"}会直接失败，不是警告；Union[int, str]输入字符串也不会 fallback 到 str 分支，除非加strict=False
TypeAdapter 适合批量校验，但别用错粒度
单个模型实例用 model_validate，批量同构数据（比如读 CSV 后的 1000 条用户记录）用 TypeAdapter，能复用编译后的验证逻辑，避免重复构造模型类开销。
- 示例：
user_adapter = TypeAdapter(list[UserModel])→user_adapter.validate_python(user_list) - 别滥用：如果每次只校验 1–2 条，
TypeAdapter初始化成本反而更高 - 注意：
TypeAdapter不支持model_config配置项（如str_strip_whitespace），这些需在模型定义里写死
extra="forbid" 开启后性能降约 15%，只在必要时用
v2 默认允许未知字段（兼容 v1 行为），但设 model_config = ConfigDict(extra="forbid") 会触发额外字段扫描，增加 CPU 开销。
- 真实影响：字段越多、输入越杂，性能回落越明显；简单模型（≤5 字段）几乎无感
- 建议：仅在强契约接口（如 OpenAPI 规范明确字段）中开启；日常内部数据流转可设
extra="ignore" - 替代方案：用
model_construct绕过验证（仅当确认数据可信），它不走任何校验逻辑，纯构造
真正卡住性能的往往不是模型本身，而是你在每个请求里反复创建 TypeAdapter、或对单条数据硬套批量接口——这些细节不调，Rust 再快也白搭。
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！
