Всеобъемлющий практический курс по библиотеке Pydantic версии 2. Изучите валидацию данных, сериализацию, работу с настройками, интеграцию с FastAPI и SQLAlchemy, продвинутые паттерны валидации и создание надёжных моделей данных для production-проектов. Курс включает 18 тем с мини-проектами в каждой.
Часть уроков закрыта. Разблокируйте курс за 3 000 кредитов, чтобы открыть все материалы.
Что такое Pydantic, зачем он нужен, установка и первый запуск. Базовая модель и валидация по умолчанию.
Встроенные типы данных Pydantic, валидация строк, чисел, дат, списков и словарей.
Создание сложных структур данных через вложенные модели, списки моделей, опциональные поля.
Использование Field для ограничения значений, gt, lt, min_length, regex и другие встроенные валидаторы.
Написание собственных валидаторов, режимы before/after/wrap, валидация нескольких полей сразу.
Преобразование моделей в dict и JSON, режимы include/exclude, by_alias, exclude_none.
Создание полей, вычисляемых на лету, кэширование, зависимости между полями.
Настройка поведения моделей через ConfigDict: str_strip_whitespace, extra, populate_by_name и другие.
Валидация произвольных типов без создания модели, кастомизация конфигурации.
Создание универсальных моделей с типами-параметрами, переиспользование логики валидации.
Работа с Union-типами, дискриминаторы для точного выбора модели, валидация полиморфных данных.
Загрузка настроек из env-переменных, .env-файлов, CLI-аргументов. Приоритеты источников.
Использование Pydantic в FastAPI для валидации запросов, ответов и ошибок.
Создание Pydantic-моделей на основе SQLAlchemy, режим from_attributes, DTO-паттерн.
Кастомные сериализаторы через @field_serializer, режим wrap, передача контекста при сериализации.
Структура ошибок валидации, извлечение деталей, кастомные сообщения об ошибках.
Профилирование Pydantic, кэширование, lazy-валидация, сравнение v1 и v2.
Архитектурные паттерны для production: DTO, разделение моделей, версионирование, миграции схем.