使用数据类¶
FastAPI 是基于 Pydantic 构建的，我一直在向你展示如何使用 Pydantic 模型来声明请求和响应。
但是 FastAPI 也支持以相同的方式使用 dataclasses
from dataclasses import dataclass
from typing import Union
from fastapi import FastAPI
@dataclass
class Item:
name: str
price: float
description: Union[str, None] = None
tax: Union[float, None] = None
app = FastAPI()
@app.post("/items/")
async def create_item(item: Item):
return item
这仍然得益于 Pydantic 的支持，因为它对 dataclasses 有内部支持。
因此，即使上面的代码没有显式使用 Pydantic，FastAPI 仍然使用 Pydantic 将这些标准数据类转换为 Pydantic 自己风格的数据类。
当然，它支持相同的
- 数据验证
- 数据序列化
- 数据文档等。
这与 Pydantic 模型的工作方式相同。而且它实际上在底层以相同的方式实现，即使用 Pydantic。
信息
请记住，数据类不能做 Pydantic 模型能做的所有事情。
因此，你可能仍然需要使用 Pydantic 模型。
但是如果你有很多数据类，这是一个很好的技巧，可以用它们来支持使用 FastAPI 的 Web API。🤓
response_model 中的数据类¶
你还可以在 response_model 参数中使用 dataclasses
from dataclasses import dataclass, field
from typing import List, Union
from fastapi import FastAPI
@dataclass
class Item:
name: str
price: float
tags: List[str] = field(default_factory=list)
description: Union[str, None] = None
tax: Union[float, None] = None
app = FastAPI()
@app.get("/items/next", response_model=Item)
async def read_next_item():
return {
"name": "Island In The Moon",
"price": 12.99,
"description": "A place to be playin' and havin' fun",
"tags": ["breater"],
}
数据类将自动转换为 Pydantic 数据类。
这样，它的模式将显示在 API 文档用户界面中
嵌套数据结构中的数据类¶
你还可以将 dataclasses 与其他类型注释结合起来创建嵌套数据结构。
在某些情况下，你可能仍然需要使用 Pydantic 版本的数据类。例如，如果自动生成的 API 文档出现错误。
在这种情况下，你只需将标准 dataclasses 替换为 pydantic.dataclasses，后者是一个即插即用的替代品
from dataclasses import field # (1)
from typing import List, Union
from fastapi import FastAPI
from pydantic.dataclasses import dataclass # (2)
@dataclass
class Item:
name: str
description: Union[str, None] = None
@dataclass
class Author:
name: str
items: List[Item] = field(default_factory=list) # (3)
app = FastAPI()
@app.post("/authors/{author_id}/items/", response_model=Author) # (4)
async def create_author_items(author_id: str, items: List[Item]): # (5)
return {"name": author_id, "items": items} # (6)
@app.get("/authors/", response_model=List[Author]) # (7)
def get_authors(): # (8)
return [ # (9)
{
"name": "Breaters",
"items": [
{
"name": "Island In The Moon",
"description": "A place to be playin' and havin' fun",
},
{"name": "Holy Buddies"},
],
},
{
"name": "System of an Up",
"items": [
{
"name": "Salt",
"description": "The kombucha mushroom people's favorite",
},
{"name": "Pad Thai"},
{
"name": "Lonely Night",
"description": "The mostests lonliest nightiest of allest",
},
],
},
]
-
我们仍然从标准
dataclasses导入field。 -
pydantic.dataclasses是dataclasses的即插即用替代品。 -
Author数据类包含一个Item数据类列表。 -
Author数据类用作response_model参数。 -
你可以将其他标准类型注释与数据类作为请求体一起使用。
在这种情况下，它是一个
Item数据类列表。 -
这里我们返回一个包含
items的字典，items是一个数据类列表。FastAPI 仍然能够将数据序列化为 JSON。
-
这里
response_model使用了Author数据类列表的类型注释。同样，你可以将
dataclasses与标准类型注释结合使用。 -
请注意，此 *路径操作函数* 使用常规
def而不是async def。一如既往，在 FastAPI 中，你可以根据需要组合使用
def和async def。如果你需要回顾何时使用哪个，请查看有关
async和await文档中的“赶时间？”部分。 -
此 *路径操作函数* 没有返回数据类（尽管它可以），而是返回一个包含内部数据的字典列表。
FastAPI 将使用
response_model参数（包括数据类）来转换响应。
你可以将 dataclasses 与其他类型注释以许多不同的组合形式结合起来，以形成复杂的数据结构。
查看上面代码中的注释提示，了解更多具体细节。
了解更多¶
你还可以将 dataclasses 与其他 Pydantic 模型结合，从它们继承，将它们包含在自己的模型中等等。
要了解更多信息，请查看 Pydantic 关于数据类的文档。
版本¶
此功能自 FastAPI 版本 0.67.0 起可用。🔖