第十二章：实战场景

12.1 场景一：FastAPI 接口开发

Pydantic 是 FastAPI 的基石，请求体、响应体、查询参数全靠它：

from fastapi import FastAPI
from pydantic import BaseModel, Field

app = FastAPI()

class CreateUserReq(BaseModel):
    name: str = Field(min_length=1, max_length=20)
    age: int = Field(ge=0, le=150)

class UserResp(BaseModel):
    id: int
    name: str

@app.post("/users", response_model=UserResp)
def create_user(req: CreateUserReq):
    # 走到这里，req 已经是校验过的干净数据，直接用
    return UserResp(id=1, name=req.name)

要点：response_model 会自动过滤多余字段（比如忘删的内部字段），是最后一道安全网。

12.2 场景二：应用配置管理

用 pydantic-settings 管理配置，环境变量自动加载、类型自动校验：

pip install pydantic-settings

from pydantic_settings import BaseSettings

class Settings(BaseSettings):
    database_url: str
    redis_host: str = "localhost"
    debug: bool = False

    class Config:
        env_file = ".env"       # 自动读取 .env 文件

settings = Settings()           # 自动从环境变量 / .env 读取并校验
print(settings.database_url)

配置错了（比如缺了 DATABASE_URL）程序启动就报错，而不是运行到一半才炸——fail fast，早死早超生。

12.3 场景三：清洗脏数据

处理外部数据（爬虫、第三方 API、Excel 导入）时的典型组合拳：

from pydantic import BaseModel, field_validator, ValidationError

class ProductRow(BaseModel):
    name: str
    price: float

    @field_validator("price", mode="before")
    @classmethod
    def parse_price(cls, v):
        # 处理 "¥19.9"、"19.9元" 这类脏数据
        if isinstance(v, str):
            cleaned = v.replace("¥", "").replace("元", "").strip()
            return float(cleaned)
        return v

valid_rows, bad_rows = [], []
for raw in messy_data:
    try:
        valid_rows.append(ProductRow.model_validate(raw))
    except ValidationError as e:
        bad_rows.append((raw, e.errors()))   # 记下哪行错、为什么错

12.4 场景四：LLM 结构化输出

class ArticleSummary(BaseModel):
    title: str
    key_points: list[str] = Field(max_length=5)
    sentiment: Literal["positive", "neutral", "negative"]

# 把 ArticleSummary.model_json_schema() 交给 LLM，
# 拿到输出后 ArticleSummary.model_validate_json(llm_output) 兜底校验