利用定义明确的对象进行高效的数据验证
对象充当组件的入口和出口点,充当数据流的基本网关。为了创建健壮、可维护的组件,必须在这些对象中定义清晰、结构良好的字段。这确保了不同系统部分之间的数据完整性和可靠交互。就我个人而言,我更喜欢使用 Python 和 FastAPI 框架来开发现代的高性能 API。对于数据验证,Pydantic 是我选择的库,它与 FastAPI 无缝集成,以优雅地强制执行字段约束并保持整个系统的一致性。
from fastapi import FastAPI, HTTPException from pydantic import BaseModel, EmailStr, Field, ValidationError, conint # FastAPI instance app = FastAPI() # Pydantic model for request body validation class User(BaseModel): name: str = Field(..., min_length=3, max_length=50, description="Name must be between 3 and 50 characters") age: conint(gt=0, le=120) = Field(..., description="Age must be between 1 and 120") # Constrained integer type email: EmailStr = Field(..., description="Must be a valid email address") # API route to handle user data submission @app.post("/create-user/") async def create_user(user: User): try: # If validation passes, this will run return {"message": f"User {user.name} created successfully!"} except ValidationError as e: # Catch and return validation errors raise HTTPException(status_code=400, detail=e.errors()) # Sample invalid data invalid_data = {"name": "A", "age": -5, "email": "invalid_email"} # Simulate calling the route with invalid data @app.get("/test-invalid-data/") async def test_invalid_data(): try: user = User(**invalid_data) # Validation will fail here except ValidationError as e: return {"error": e.errors()} # Run the server using: uvicorn <filename>:app --reload </filename>
在此示例中,我们演示了 FastAPI 和 Pydantic 如何协同工作以有效处理数据验证。使用 Pydantic 的 BaseModel,我们定义传入请求数据的验证规则。例如,我们利用 EmailStr 自动验证电子邮件格式,从而简化了流程,而无需自定义正则表达式。同样,我们使用 conint(一种受约束的整数类型)来确保年龄落在从 1 到 120 的特定范围内。这种方法增强了可读性和安全性。
在示例代码中,用户模型由姓名、年龄和电子邮件等字段定义,每个字段都有其验证标准。当用户通过 /create-user/ 路由提交数据时,FastAPI 会自动根据这些规则验证输入。如果有效,则用户创建成功;如果没有,FastAPI 会引发 400 Bad Request 并包含详细的错误消息。这显着降低了处理不正确或恶意数据的风险,使 FastAPI 成为安全 API 开发的有力选择。
使用 Pydantic 进行自定义字段/模型验证
Pydantic v2 引入了模型级验证,允许您使用 @model_validator 装饰器验证彼此相关的多个字段。此验证在字段验证之后运行,对于确保满足字段之间的某些条件特别有用。例如,您可能想确认事件模型中的 start_date 发生在 end_date 之前:
from pydantic import BaseModel, model_validator from datetime import date class Event(BaseModel): name: str start_date: date end_date: date @model_validator(mode='after') def check_dates(cls, values): start, end = values.get('start_date'), values.get('end_date') if start and end and start >= end: raise ValueError('start_date must be before end_date') return values
在此示例中,@model_validator 检查 start_date 是否早于 end_date。如果不满足此条件,Pydantic 会引发验证错误。这种模型级验证有利于确保准确执行多个字段之间的关系。
Pydantic 中的自定义序列化
Pydantic 允许通过重写 dict() 或 json() 方法来自定义模型字段的序列化。当您想要在序列化期间修改输出格式或排除某些字段时,这非常有用。您还可以使用 @property 装饰器添加包含在序列化中但不属于模型原始数据一部分的计算字段。
下面是自定义序列化的示例,它修改了全名的返回方式,同时从序列化输出中排除密码字段:
from pydantic import BaseModel class User(BaseModel): first_name: str last_name: str password: str # Custom serialization to return the full name @property def full_name(self): return f"{self.first_name} {self.last_name}" # Overriding dict() to exclude the password def dict(self, **kwargs): result = super().dict(**kwargs) result['full_name'] = self.full_name # Add computed field result.pop('password', None) # Remove password from serialization return result # Example usage user = User(first_name="John", last_name="Doe", password="secret123") print(user.dict())
在此示例中,full_name 是一个计算属性,我们重写 dict() 方法以确保从输出中排除密码。像这样的自定义序列化提供了对模型数据如何在 API 或响应中公开的细粒度控制。
FastAPI 和 Pydantic 集成
Pydantic 与 FastAPI 无缝集成,为请求负载、查询参数和路径参数提供自动数据验证。当您在 FastAPI 端点中定义 Pydantic 模型时,FastAPI 会根据模型的规则自动处理传入数据的解析和验证。如果数据无效,FastAPI 将返回详细的 422 Unprocessable Entity 响应,并包含明确的错误消息。
这是一个简单的例子:
from fastapi import FastAPI from pydantic import BaseModel app = FastAPI() class User(BaseModel): username: str age: int @app.post("/users/") async def create_user(user: User): return {"message": f"User {user.username} created successfully!"}
在此示例中,当 POST 请求发送到 /users/ 时,FastAPI 使用 Pydantic 来验证传入的 JSON 数据。如果数据不符合用户模型(例如,缺少用户名或无效年龄),FastAPI 会自动返回错误响应,从而简化输入验证和错误处理。
概括
总之,利用 Pydantic 和 FastAPI 可以通过明确的验证确保数据完整性,从而增强您创建健壮、可维护的应用程序的能力。这种强大的组合简化了开发流程,同时提高了安全性和可靠性,使其成为构建现代 API 的首选。
参考
FastAPI 中的 Pydantic 功能
Pydantic V2 计划
以上是使用 FastAPI 和 Pydantic 构建强大的组件的详细内容。更多信息请关注PHP中文网其他相关文章!

本教程演示如何使用Python处理Zipf定律这一统计概念,并展示Python在处理该定律时读取和排序大型文本文件的效率。 您可能想知道Zipf分布这个术语是什么意思。要理解这个术语,我们首先需要定义Zipf定律。别担心,我会尽量简化说明。 Zipf定律 Zipf定律简单来说就是:在一个大型自然语言语料库中,最频繁出现的词的出现频率大约是第二频繁词的两倍,是第三频繁词的三倍,是第四频繁词的四倍,以此类推。 让我们来看一个例子。如果您查看美国英语的Brown语料库,您会注意到最频繁出现的词是“th

本文解释了如何使用美丽的汤库来解析html。 它详细介绍了常见方法,例如find(),find_all(),select()和get_text(),以用于数据提取,处理不同的HTML结构和错误以及替代方案(SEL)

处理嘈杂的图像是一个常见的问题,尤其是手机或低分辨率摄像头照片。 本教程使用OpenCV探索Python中的图像过滤技术来解决此问题。 图像过滤:功能强大的工具 图像过滤器

Python是数据科学和处理的最爱,为高性能计算提供了丰富的生态系统。但是,Python中的并行编程提出了独特的挑战。本教程探讨了这些挑战,重点是全球解释

本文比较了Tensorflow和Pytorch的深度学习。 它详细介绍了所涉及的步骤:数据准备,模型构建,培训,评估和部署。 框架之间的关键差异,特别是关于计算刻度的

本教程演示了在Python 3中创建自定义管道数据结构,利用类和操作员超载以增强功能。 管道的灵活性在于它能够将一系列函数应用于数据集的能力,GE

Python 对象的序列化和反序列化是任何非平凡程序的关键方面。如果您将某些内容保存到 Python 文件中,如果您读取配置文件,或者如果您响应 HTTP 请求,您都会进行对象序列化和反序列化。 从某种意义上说,序列化和反序列化是世界上最无聊的事情。谁会在乎所有这些格式和协议?您想持久化或流式传输一些 Python 对象,并在以后完整地取回它们。 这是一种在概念层面上看待世界的好方法。但是,在实际层面上,您选择的序列化方案、格式或协议可能会决定程序运行的速度、安全性、维护状态的自由度以及与其他系

Python的statistics模块提供强大的数据统计分析功能,帮助我们快速理解数据整体特征,例如生物统计学和商业分析等领域。无需逐个查看数据点,只需查看均值或方差等统计量,即可发现原始数据中可能被忽略的趋势和特征,并更轻松、有效地比较大型数据集。 本教程将介绍如何计算平均值和衡量数据集的离散程度。除非另有说明,本模块中的所有函数都支持使用mean()函数计算平均值,而非简单的求和平均。 也可使用浮点数。 import random import statistics from fracti


热AI工具

Undresser.AI Undress
人工智能驱动的应用程序,用于创建逼真的裸体照片

AI Clothes Remover
用于从照片中去除衣服的在线人工智能工具。

Undress AI Tool
免费脱衣服图片

Clothoff.io
AI脱衣机

AI Hentai Generator
免费生成ai无尽的。

热门文章

热工具

WebStorm Mac版
好用的JavaScript开发工具

Dreamweaver CS6
视觉化网页开发工具

SublimeText3 Mac版
神级代码编辑软件(SublimeText3)

DVWA
Damn Vulnerable Web App (DVWA) 是一个PHP/MySQL的Web应用程序,非常容易受到攻击。它的主要目标是成为安全专业人员在合法环境中测试自己的技能和工具的辅助工具,帮助Web开发人员更好地理解保护Web应用程序的过程,并帮助教师/学生在课堂环境中教授/学习Web应用程序安全。DVWA的目标是通过简单直接的界面练习一些最常见的Web漏洞,难度各不相同。请注意,该软件中

禅工作室 13.0.1
功能强大的PHP集成开发环境