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, emailstrclass consumer(basemodel): email: emailstr account_id: intconsumer = 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 consumeremail 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_validatorclass 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 valueconsumer = consumer(email="teste@teste.com", account_id=0)print(consumer)
$ python capture_emails.pytraceback (most recent call last):... consumer = consumer(email="teste@teste.com", account_id=0) ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^...: 1 validation error for consumeraccount_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_validatorclass 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 valueconsumer = consumer(email="teste@teste.com", account_id=12345)print(consumer)
$ python capture_emails.pyemail='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，更多请关注创想鸟其它相关文章！
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如发现本站有涉嫌抄袭侵权/违法违规的内容， 请发送邮件至 chuangxiangniao@163.com 举报，一经查实，本站将立刻删除。
发布者：程序猿，转转请注明出处：https://www.chuangxiangniao.com/p/1349026.html
微信扫一扫 
支付宝扫一扫 
