5.4 现代数据类:使用 @dataclass 与 Pydantic 减少样板代码并实现数据校验
本节目录
欢迎回到 HelloWorld 技术社区(www.helloworld.net) 《Python 现代开发实战》专栏。
以前写一个纯数据载体类,光写 __init__、__repr__、__eq__ 就要敲几十行重复样板代码。现代 Python 提供了两把利器彻底解放双手:
1. 标准库 @dataclass:内部领域模型的轻量首选
from dataclasses import dataclass, field
@dataclass(frozen=True, slots=True) # frozen=True 生成不可变且可哈希对象;slots=True 极致压缩内存
class ArticleDTO:
article_id: int
title: str
tags: tuple[str, ...] = field(default_factory=tuple)
views: int = 0
2. Pydantic v2:外部不可信数据的运行时校验霸主
@dataclass 不会在运行时校验字段类型(传入 article_id="abc" 也能正常创建)。当接收前端 JSON、环境变量或第三方 Webhook 时,工业界标准方案是 Pydantic v2(核心引擎由 Rust 编写,速度极快):
from pydantic import BaseModel, Field, field_validator
class CreatePostRequest(BaseModel):
title: str = Field(min_length=5, max_length=100, description="文章标题")
tags: list[str] = Field(min_length=1, max_length=5)
bounty_points: int = Field(default=0, ge=0, le=1000)
@field_validator("title")
@classmethod
def strip_title(cls, v: str) -> str:
return v.strip()
# 自动完成类型转换(如字符串 "50" -> 整数 50)与合法性拦截
req = CreatePostRequest(title=" Python 3.13 实战 ", tags=["Python"], bounty_points="50")
print(req.model_dump())
💬 HelloWorld 社区实战打卡
总结一下:在你的项目中,什么场景下优先用标准库 @dataclass,什么场景下必须上 Pydantic?带 #Python专栏打卡 分享你的架构选型标准!