Pydantic字段验证器模式详解:before、after、wrap与plain
2025-05-09 20:07:46作者:董斯意
在Python的数据验证库Pydantic中,字段验证器(Field Validator)提供了四种不同的验证模式,这些模式决定了验证逻辑何时执行以及如何处理输入值。本文将深入解析这四种验证模式的工作原理和使用场景。
字段验证器基础
Pydantic的字段验证器通过@field_validator装饰器实现,它允许开发者为模型中的特定字段定义自定义验证逻辑。与模型验证器不同,字段验证器专注于单个字段的值处理。
四种验证模式详解
1. after模式(默认模式)
after模式是字段验证器的默认行为。在这种模式下,验证器会在Pydantic完成基础类型转换后执行。这意味着:
- 输入值已经经过了类型转换(如字符串转数字)
- 验证器接收的是转换后的值
- 适合执行业务逻辑验证
from pydantic import BaseModel, field_validator
class UserModel(BaseModel):
age: int
@field_validator('age') # 默认就是after模式
def check_age(cls, v):
if v < 18:
raise ValueError('年龄必须大于18岁')
return v
2. before模式
before模式验证器会在Pydantic进行任何类型转换之前执行:
- 接收原始输入值
- 可以在类型转换前进行预处理或验证
- 返回的值会继续进行常规的类型转换
class UserModel(BaseModel):
age: int
@field_validator('age', mode='before')
def preprocess_age(cls, v):
if isinstance(v, str) and v.lower() == 'unknown':
return 0 # 将特定字符串转换为默认值
return v
3. wrap模式
wrap模式验证器将原始验证逻辑包装在自定义逻辑中:
- 接收一个验证函数作为参数
- 可以完全控制验证过程
- 需要手动调用原始验证逻辑
class UserModel(BaseModel):
name: str
@field_validator('name', mode='wrap')
def wrap_validation(cls, v, handler):
print(f"验证前的值: {v}")
result = handler(v) # 调用原始验证逻辑
print(f"验证后的值: {result}")
return result
4. plain模式
plain模式是字段验证器特有的模式,它:
- 完全绕过Pydantic的标准验证流程
- 需要自行处理所有验证逻辑
- 不会自动进行类型转换
- 适合需要完全自定义验证的场景
class UserModel(BaseModel):
password: str
@field_validator('password', mode='plain')
def validate_password(cls, v, info):
# 需要自行处理所有验证逻辑
if len(v) < 8:
raise ValueError('密码长度至少8个字符')
if not any(c.isupper() for c in v):
raise ValueError('密码必须包含大写字母')
return v
模式选择指南
- 优先使用after模式:适用于大多数业务逻辑验证场景
- 需要预处理时使用before模式:当输入值需要清理或转换时
- 需要完全控制时使用wrap模式:当需要包装或修改标准验证行为时
- 特殊需求使用plain模式:当标准验证流程不适用时
注意事项
- 字段验证器的函数签名不会因模式不同而改变(与模型验证器不同)
- plain模式需要开发者自行处理所有验证逻辑
- 验证器的返回值会影响最终模型中的字段值
理解这些验证模式的区别和适用场景,可以帮助开发者更有效地利用Pydantic构建健壮的数据验证逻辑。
登录后查看全文
热门项目推荐
相关项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
最新内容推荐
STM32到GD32项目移植完全指南:从兼容性到实战技巧 JDK 8u381 Windows x64 安装包:企业级Java开发环境的完美选择 开源电子设计自动化利器:KiCad EDA全方位使用指南 Python案例资源下载 - 从入门到精通的完整项目代码合集 Python开发者的macOS终极指南:VSCode安装配置全攻略 网页设计期末大作业资源包 - 一站式解决方案助力高效完成项目 昆仑通态MCGS与台达VFD-M变频器通讯程序详解:工业自动化控制完美解决方案 STDF-View解析查看软件:半导体测试数据分析的终极工具指南 MQTT 3.1.1协议中文版文档:物联网开发者的必备技术指南 Jetson TX2开发板官方资源完全指南:从入门到精通
项目优选
收起
deepin linux kernel
C
24
9
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
暂无简介
Dart
670
155
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
660
308
Ascend Extension for PyTorch
Python
219
236
仓颉编译器源码及 cjdb 调试工具。
C++
134
867
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
23
0
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
392
3.82 K
React Native鸿蒙化仓库
JavaScript
259
322