基本模型使用

User这是一个模型，它有两个字段id，一个是整数，是必需的，name一个是字符串，不是必需的（它有一个默认值)
from pydantic import BaseModel
class User(BaseModel):
    id: int
    name = 'yo yo'
类型name是从默认值(字符串)推断出来的，因此不需要类型注释（但是请注意当某些字段没有类型注释时有关字段顺序的警告）
user = User(id='123')
user这是一个实例User。对象的初始化将执行所有解析和验证，如果没有ValidationError引发，说明生成的模型实例是有效的。

user实例有 id 和 name 2个属性
user = User(id='123')
print(user.id)   # 123
print(user.name)  # yo yo
模型的字段可以作为用户对象的普通属性访问。字符串 '123' 已根据字段类型转换为 int.

name初始化用户时未设置，因此它具有默认值.
那么如何知道初始化的时候，需要哪些必填字段？可以通过 __fields_set__ 方法
print(user.__fields_set__)  # {'id'}
.dict() 可以将user对象的属性，转成字典格式输出，dict(user) 也是等价的
print(user.dict())  # {'id': 123, 'name': 'yo yo'}
print(dict(user))  # {'id': 123, 'name': 'yo yo'}
.json()可以将user对象的属性，转成json格式输出
print(user.json())  # {"id": 123, "name": "yo yo"}
BaseModel 模型属性
上面的例子只是展示了模型可以做什么的冰山一角。模型具有以下方法和属性：

dict()  返回模型字段和值的字典；参看。导出模型

json()  返回一个 JSON 字符串表示dict()；参看。导出模型

copy() 返回模型的副本（默认为浅拷贝）；参看。导出模型

parse_obj() 如果对象不是字典，则用于将任何对象加载到具有错误处理的模型中的实用程序；参看。辅助函数

parse_raw() 用于加载多种格式字符串的实用程序；参看。辅助函数

parse_file() 喜欢parse_raw()但是对于文件路径；参看。辅助函数

from_orm() 将数据从任意类加载到模型中；参看。ORM模式

schema()  返回将模型表示为 JSON Schema 的字典；参看。图式

schema_json()  schema()返回;的 JSON 字符串表示形式 参看。图式

construct()  无需运行验证即可创建模型的类方法；参看。创建没有验证的模型

__fields_set__  初始化模型实例时设置的字段名称集

__fields__  模型字段的字典

__config__  模型的配置类，cf。模型配置
可以使用模型本身作为注释中的类型来定义更复杂的分层数据结构。
from typing import List
from pydantic import BaseModel
class Foo(BaseModel):
    count: int
    size: float = None
class Bar(BaseModel):
    apple = 'x'
    banana = 'y'
class Spam(BaseModel):
    foo: Foo
    bars: List[Bar]
m = Spam(foo={'count': 4}, bars=[{'apple': 'x1'}, {'apple': 'x2'}])
print(m)
#> foo=Foo(count=4, size=None) bars=[Bar(apple='x1', banana='y'),
#> Bar(apple='x2', banana='y')]
print(m.dict())
    'foo': {'count': 4, 'size': None},
    'bars': [
        {'apple': 'x1', 'banana': 'y'},
        {'apple': 'x2', 'banana': 'y'},
Pydantic为解析数据的模型提供了三个classmethod辅助函数：
parse_obj：这与模型的方法非常相似__init__，除了它需要一个字典而不是关键字参数。如果传递的对象不是 dict，ValidationError则将引发。
parse_raw：这需要一个str或bytes并将其解析为json，然后将结果传递给parse_obj. 通过适当地设置参数也支持解析泡菜数据。content_type
parse_file: 这需要一个文件路径，读取文件并将内容传递给parse_raw. 如果content_type省略，则从文件的扩展名推断。
parse_obj 的使用
from datetime import datetime
from pydantic import BaseModel, ValidationError
class User(BaseModel):
    id: int
    name = 'John Doe'
    signup_ts: datetime = None
m = User.parse_obj({'id': 123, 'name': 'James'})
print(m)  # id=123 signup_ts=None name='James'
parse_raw 需要一个str或bytes并将其解析为json
m = User.parse_raw('{"id": 123, "name": "James"}')
print(m)  # > id=123 signup_ts=None name='James'
parse_file 可以读取一个文件的内容

data.json文件
  "id": 123,
  "name": "James"
from pathlib import Path
path = Path('data.json')  # 读取文件内容
m = User.parse_file(path)
print(m)  # > id=123 signup_ts=None name='James'
.write_text()可以自己写内容到文件
from pathlib import Path
path = Path('data1.json')
path.write_text('{"id": 345, "name": "James 11"}')
m = User.parse_file(path)
print(m)  # > id=345 name='James 11'