在构建现代 Web 应用时，我们往往需要处理复杂的输入和输出数据结构。例如，响应数据可能包含嵌套字典、列表、元组，甚至是多个嵌套对象。Pydantic 是一个强大的数据验证和序列化库，可以帮助我们轻松地处理这些复杂的数据结构，并通过自定义方法进行验证和转换。

本文将介绍如何使用 Pydantic 处理复杂数据结构，包括嵌套模型、嵌套字典、列表、元组等，及如何使用自定义方法进行数据验证。

1. Pydantic 简介

Pydantic 通过定义 Python 类并继承 BaseModel，使得开发者能够轻松定义数据模型并进行自动验证。Pydantic 支持多种数据类型，包括基本类型（如 int、str 等）和更复杂的类型（如 List、Dict、Tuple、嵌套模型等）。

2. 嵌套模型

2.1 嵌套模型的定义

在许多应用场景中，数据往往具有层级结构。例如，一个订单可能包含多个商品项，每个商品项都有自己的名称、数量和价格。我们可以通过嵌套 Pydantic 模型来处理这种层级结构。

假设我们有以下数据结构：一个订单包含用户信息和多个商品项。我们可以定义两个模型，User 和 Item，并在 Order 模型中嵌套这两个模型。

from pydantic import BaseModel
from typing import List

class Item(BaseModel):
    name: str
    quantity: int
    price: float

class User(BaseModel):
    name: str
    email: str

class Order(BaseModel):
    user: User
    items: List[Item]
    total_amount: float

在这个例子中：

• Order 模型嵌套了 User 和 Item 模型。
• items 字段是一个 Item 对象的列表，表示订单中的多个商品项。
• total_amount 字段表示订单总金额。

2.2 使用嵌套模型

我们可以像下面这样创建一个订单对象：

order_data = {
    "user": {"name": "John Doe", "email": "john.doe@example.com"},
    "items": [
        {"name": "Laptop", "quantity": 1, "price": 1200.00},
        {"name": "Mouse", "quantity": 2, "price": 25.50}
    ],
    "total_amount": 1251.00
}

order = Order(**order_data)
print(order)

输出将是：

user=User(name='John Doe', email='john.doe@example.com') 
items=[Item(name='Laptop', quantity=1, price=1200.0), Item(name='Mouse', quantity=2, price=25.5)] 
total_amount=1251.0

2.3 嵌套字典和列表

Pydantic 模型也可以处理嵌套字典和列表结构。假设我们有一个场景，其中每个商品项可能包含多个属性，如商品的属性信息。

from typing import Dict

class Item(BaseModel):
    name: str
    quantity: int
    price: float
    attributes: Dict[str, str]  # 商品的额外属性

class Order(BaseModel):
    user: User
    items: List[Item]
    total_amount: float

在这种情况下，attributes 字段是一个字典，存储商品的属性信息，如颜色、尺寸等。

order_data = {
    "user": {"name": "John Doe", "email": "john.doe@example.com"},
    "items": [
        {"name": "Laptop", "quantity": 1, "price": 1200.00, "attributes": {"color": "black", "size": "15 inch"}},
        {"name": "Mouse", "quantity": 2, "price": 25.50, "attributes": {"color": "red", "wireless": "yes"}}
    ],
    "total_amount": 1251.00
}

order = Order(**order_data)
print(order)

2.4 处理元组和其他数据类型

Pydantic 同样支持验证元组、集合等数据类型。我们可以使用 Tuple 来验证数据。

from typing import Tuple

class Order(BaseModel):
    user: User
    items: List[Item]
    total_amount: float
    status: Tuple[str, str]  # 状态元组：订单状态和配送状态

在上面的代码中，status 是一个元组，包含两个字符串，分别表示订单的状态和配送状态。

3. 数据验证的自定义方法

Pydantic 允许我们为模型字段添加自定义验证方法，这使得我们可以根据特定规则对数据进行进一步验证。

3.1 使用 @validator 装饰器进行字段验证

假设我们需要验证订单总金额 total_amount，确保它不小于所有商品项的总价格。我们可以使用 @root_validator 装饰器来实现这个逻辑。

from pydantic import root_validator, ValidationError

class Order(BaseModel):
    user: User
    items: List[Item]
    total_amount: float

    @root_validator
    def check_total_amount(cls, values):
        items = values.get('items')
        total_amount = values.get('total_amount')
        if items and total_amount:
            total_price = sum(item.quantity * item.price for item in items)
            if total_amount < total_price:
                raise ValueError('Total amount cannot be less than the sum of item prices.')
        return values

3.2 示例验证

假设我们创建一个订单，其中 total_amount 小于所有商品项的总价格：

order_data = {
    "user": {"name": "John Doe", "email": "john.doe@example.com"},
    "items": [
        {"name": "Laptop", "quantity": 1, "price": 1200.00},
        {"name": "Mouse", "quantity": 2, "price": 25.50}
    ],
    "total_amount": 1000.00
}

try:
    order = Order(**order_data)
except ValidationError as e:
    print(e)

输出将是：

1 validation error for Order
__root__
  Total amount cannot be less than the sum of item prices. (type=value_error)

Pydantic 会自动执行这个验证，并返回详细的错误信息。

3.3 验证嵌套模型中的数据

你还可以为嵌套的模型添加自定义验证。例如，我们可以确保用户的邮箱地址包含 @ 符号：

class User(BaseModel):
    name: str
    email: str

    @validator('email')
    def validate_email(cls, value):
        if '@' not in value:
            raise ValueError('Email must contain "@" symbol')
        return value

这样，如果用户的邮箱地址没有 @ 符号，Pydantic 会自动抛出验证错误。

Pydantic 提供了强大的数据验证功能，帮助开发者轻松处理复杂的输入和输出数据结构。通过嵌套模型、字典、列表、元组等类型的支持，Pydantic 使得数据处理更加灵活和易于管理。同时，自定义的验证方法（如 @validator 和 @root_validator）允许开发者根据业务逻辑定制数据验证规则，确保数据的正确性和一致性。

在使用 Pydantic 时，通过合理的模型设计和验证方法，可以提高代码的可读性、可维护性和健壮性。如果你正在构建需要复杂数据结构验证的应用，Pydantic 是一个非常值得依赖的工具。