Pydantic • 处理验证和清理数据

从现在开始，我们要努力学习啦！今天我给大家带来《Pydantic • 处理验证和清理数据》，感兴趣的朋友请继续看下去吧！下文中的内容我们主要会涉及到等等知识点，如果在阅读本文过程中有遇到不清楚的地方，欢迎留言呀！我们一起讨论，一起学习！

自从我开始编程以来，我主要使用结构化和过程范例，因为我的任务需要更实用和直接的解决方案。在处理数据提取时，我必须转向新的范式才能实现更有组织的代码。

这种必要性的一个例子是在抓取任务期间，当我需要捕获最初属于我知道如何处理的类型的特定数据时，但突然间，它在捕获过程中要么不存在，要么以不同的类型出现。

因此，我不得不添加一些 if's 和 try 和 catch 块来检查数据是 int 还是 string ...后来发现什么都没有捕获，没有等等。有了字典，我最终保存了在以下情况下一些无趣的“默认数据”：

data.get(values, 0)

好吧，令人困惑的错误消息肯定不能再出现了。

这就是python 的动态性。变量可以随时更改其类型，直到您需要更清楚地了解正在使用的类型为止。然后突然出现一堆信息，现在我正在阅读如何处理数据验证，ide 可以帮助我处理类型提示和有趣的 pydantic 库。

现在，在数据操作等任务中，使用新范例，我可以拥有显式声明其类型的对象，以及允许验证这些类型的库。如果出现问题，通过查看更好描述的错误信息来调试会更容易。

派丹提克

所以，这是 pydantic 文档。有更多问题，咨询一下总是好的。

基本上，正如我们所知，我们从以下开始：

pip install pydantic

然后，假设我们想要从包含这些电子邮件的源中捕获电子邮件，其中大多数看起来像这样：“xxxx@xxxx.com”。但有时，它可能是这样的：“xxxx@”或“xxxx”。我们对应该捕获的电子邮件格式毫无疑问，因此我们将使用 pydantic 验证此电子邮件字符串：

from pydantic import basemodel, emailstr

class consumer(basemodel):
    email: emailstr
    account_id: int

consumer = consumer(email="teste@teste", account_id=12345)

print(consumer)

请注意，我使用了可选依赖项“email-validator”，安装方式为：pip install pydantic[email]。正如我们所知，当您运行代码时，错误将是无效的电子邮件格式“teste@teste”：

traceback (most recent call last):
  ...
    consumer = consumer(email="teste@teste", account_id=12345)
               ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^
  ...: 1 validation error for consumer
email
  value is not a valid email address: the part after the @-sign is not valid. it should have a period. [type=value_error, input_value='teste@teste', input_type=str]

使用可选依赖项来验证数据很有趣，就像创建我们自己的验证一样，pydantic 通过 field_validator 允许这样做。因此，我们知道 account_id 必须为正且大于零。如果不同，pydantic 警告存在异常（值错误）会很有趣。代码将是：

from pydantic import basemodel, emailstr, field_validator

class consumer(basemodel):
    email: emailstr
    account_id: int

    @field_validator("account_id")
    def validate_account_id(cls, value):
        """custom field validation"""
        if value <= 0:
            raise valueerror(f"account_id must be positive: {value}")
        return value

consumer = consumer(email="teste@teste.com", account_id=0)

print(consumer)

$ python capture_emails.py
traceback (most recent call last):
...
    consumer = consumer(email="teste@teste.com", account_id=0)
               ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^

...: 1 validation error for consumer
account_id
  value error, account_id must be positive: 0 [type=value_error, input_value=0, input_type=int]
    for further information visit https://errors.pydantic.dev/2.8/v/value_error

现在，使用正确的值运行代码：

from pydantic import basemodel, emailstr, field_validator

class consumer(basemodel):
    email: emailstr
    account_id: int

    @field_validator("account_id")
    def validate_account_id(cls, value):
        """custom field validation"""
        if value <= 0:
            raise valueerror(f"account_id must be positive: {value}")
        return value

consumer = consumer(email="teste@teste.com", account_id=12345)

print(consumer)

$ python capture_emails.py
email='teste@teste.com' account_id=12345

对吗？！

我还阅读了一些有关本机“dataclasses”模块的内容，该模块更简单一些，并且与 pydantic 有一些相似之处。然而，pydantic 更适合处理需要验证的更复杂的数据模型。 dataclasses 原生包含在 python 中，而 pydantic 还没有——至少现在还没有。

以上就是《Pydantic • 处理验证和清理数据》的详细内容，更多关于的资料请关注golang学习网公众号！