Введение в Pydantic: зачем и почему

Pydantic — это не просто валидация, это язык описания данных в современном Python

#Почему Pydantic?

Представьте, что вы пишете API для регистрации пользователей. Вам приходит JSON:

{
  "name": "Alice",
  "age": 25,
  "email": "alice@example.com"
}

Без Pydantic вам придётся писать код вроде этого:

def validate_user(data: dict) -> dict:
    # Проверка типа name
    if not isinstance(data.get('name'), str):
        raise ValueError('name must be a string')
    if len(data['name']) < 2:
        raise ValueError('name must be at least 2 characters')
    
    # Проверка типа age
    if not isinstance(data.get('age'), int):
        raise ValueError('age must be an integer')
    if data['age'] < 0 or data['age'] > 150:
        raise ValueError('age must be between 0 and 150')
    
    # Проверка email
    if '@' not in data.get('email', ''):
        raise ValueError('invalid email')
    
    return data

Это многословно, подвержено ошибкам и не масштабируется. С Pydantic:

from pydantic import BaseModel, EmailStr, Field

class User(BaseModel):
    name: str = Field(min_length=2)
    age: int = Field(ge=0, le=150)
    email: EmailStr

user = User(name="Alice", age=25, email="alice@example.com")

Pydantic автоматически:

Проверит типы данных
Применит ограничения из Field
Преобразует данные (например, строку "25" в число 25)
Выбросит понятное исключение при ошибке

#Установка

pip install pydantic
# или для продвинутой валидации email:
pip install pydantic[email]

Для этого курса требуется Pydantic v2.5+. Проверьте версию:

import pydantic
print(pydantic.__version__)  # должно быть 2.x

#Первая модель

Создадим простую модель пользователя:

from pydantic import BaseModel

class User(BaseModel):
    id: int
    name: str
    email: str
    age: int
    is_active: bool = True  # поле со значением по умолчанию

# Создание экземпляра с валидацией
user = User(
    id=1,
    name="Alice",
    email="alice@example.com",
    age=25
)

print(user)
# User(id=1, name='Alice', email='alice@example.com', age=25, is_active=True)

print(user.name)  # Alice
print(user.dict())  # {'id': 1, 'name': 'Alice', ...}

#Автоматическое преобразование типов

Pydantic пытается преобразовать данные к нужному типу:

# Строка преобразуется в int
user = User(id="1", name="Bob", email="bob@example.com", age="30")
print(user.age)  # 30 (int, не строка!)

# Список из кортежа
class Data(BaseModel):
    numbers: list[int]

data = Data(numbers=(1, 2, 3))  # кортеж преобразуется в список

Если преобразование невозможно — получаем ValidationError:

from pydantic import ValidationError

try:
    User(id="not_a_number", name="Bob", email="bob@example.com", age=25)
except ValidationError as e:
    print(e)
    # 1 validation error for User
    # id
    #   Input should be a valid integer [...]

#Валидация по умолчанию

Даже без явных валидаторов Pydantic проверяет:

Обязательные поля — поля без значения по умолчанию обязательны
Типы данных — соответствие аннотаций типов
None для необязательных полей — Optional[T] или T | None разрешают None

class Product(BaseModel):
    id: int              # обязательное
    name: str            # обязательное
    description: str = None  # необязательное, может быть None
    price: float = 0.0   # необязательное, значение по умолчанию

# Ошибка: отсутствует обязательное поле
Product(id=1)  # ValidationError: Field required

# OK: все обязательные поля есть
Product(id=1, name="Widget")

# OK: можно передать None для description
Product(id=1, name="Widget", description=None)

#Методы модели

BaseModel предоставляет множество полезных методов:

user = User(id=1, name="Alice", email="alice@example.com", age=25)

# Преобразование в dict
user_dict = user.model_dump()
# {'id': 1, 'name': 'Alice', 'email': 'alice@example.com', 'age': 25, 'is_active': True}

# Преобразование в JSON
json_str = user.model_dump_json(indent=2)
# '{\n  "id": 1,\n  "name": "Alice",\n  ...'

# Копирование с изменениями
user2 = user.model_copy(update={"name": "Alicia"})

# Валидация из dict
data = {"id": 2, "name": "Bob", "email": "bob@example.com", "age": 30}
user3 = User.model_validate(data)

#Мини-проект: Модель статьи блога

Создайте модель BlogPost со следующими требованиями:

from pydantic import BaseModel
from datetime import datetime

class BlogPost(BaseModel):
    # id: целое число, обязательное
    # title: строка, обязательное
    # content: строка, обязательное
    # author: строка, обязательное
    # tags: список строк, по умолчанию пустой список
    # published: булево, по умолчанию False
    # created_at: datetime, по умолчанию текущее время
    pass

# Пример использования:
post = BlogPost(
    id=1,
    title="Введение в Pydantic",
    content="Pydantic — мощная библиотека...",
    author="Alice",
    tags=["python", "pydantic", "validation"]
)

print(post.title)  # "Введение в Pydantic"
print(post.tags)   # ["python", "pydantic", "validation"]
print(post.published)  # False (значение по умолчанию)
print(post.created_at)  # datetime.datetime(2026, 3, 18, ...)

Проверьте, что:

Модель валидирует обязательные поля
Преобразует типы (например, строку в datetime, если возможно)
Работают значения по умолчанию
model_dump() возвращает корректный словарь