Pydantic v2 中 model_validate() 比 validate_python() 快 2–5 倍，因其直调编译后 C 代码；误用 validate_python()、字段类型不精确或滥用 Union 等会导致性能退化。
Pydantic v2 的 BaseModel 默认已是“极速”校验——但前提是别误用 validate_python() 或写错字段类型注解，否则反而比手写 if 还慢。
为什么 model_validate() 比 validate_python() 快得多
Pydantic v2 中，model_validate() 直接走编译后的 C 代码路径，而 validate_python() 是通用入口，会多一层类型推导和上下文构建。实测同一批数据，前者快 2–5 倍。
- 用
MyModel.model_validate(data)，不是MyModel.validate_python(data)（后者已弃用，且慢） - 如果 data 是 dict，确保键名与字段名完全一致，避免触发 fallback 字段映射逻辑
- 不要在循环里反复调用
model_validate()做单条校验——批量时改用model_validate_json()+ 合并 JSON 字符串，或预编译TypeAdapter
字段类型注解写错会让校验退化成纯 Python 解析
比如写 price: float 看似没问题，但若输入是字符串 "19.99"，Pydantic 会启用软转换（coercion），触发大量运行时判断；而 price: Annotated[float, Field(ge=0)] + 显式 strict=False（默认）仍可接受字符串，但若你确定输入永远是数字，就该写 price: StrictFloat。
- 优先用
StrictInt、StrictStr、StrictFloat（来自pydantic.types），它们跳过字符串解析，直接做类型断言 - 避免
Union[str, int]，改用str | int（Python 3.10+）+strict=True，否则会激活兼容性分支 -
Optional[T]实际等价于T | None，但若字段允许空字符串却禁止None，得用str+default_factory=str或自定义 validator
高频校验场景下，TypeAdapter 比 BaseModel 更轻量
如果你只校验一个字段（比如 API 请求里的 user_id: int），或者要校验嵌套结构但不需要实例方法/配置，TypeAdapter 能省掉模型类的初始化开销，启动更快、内存更少。
from pydantic import TypeAdapter
<p>int_adapter = TypeAdapter(int)
user_id = int_adapter.validate_python("123") # → 123，不报错
user_id = int_adapter.validate_python("abc") # → ValidationError
</p>
-
TypeAdapter支持任意类型：泛型、Literal、list[dict]，甚至嵌套TypedDict - 它不支持
Field配置（如default、alias），也不生成.model_dump()方法 - 若需复用校验逻辑，把
TypeAdapter实例缓存起来，别每次临时创建
真正影响速度的从来不是 Pydantic 本身，而是你是否让它的编译器知道“你想要什么”。字段类型越精确、输入格式越稳定、调用路径越直接，就越接近 C 层性能。别为了“看起来灵活”加一堆 Union 和动态 default，那是在给校验器埋减速钉。
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！
