FastAPI自学教程（61） - 数据类的高级应用

1. 基础用法

from dataclasses import dataclass
from fastapi import FastAPI

@dataclass
class Item:
    name: str
    price: float
    description: str | None = None
    tax: float | None = None

app = FastAPI()

@app.post("/items/")
async def create_item(item: Item):
    return item

FastAPI通过Pydantic自动转换标准数据类为Pydantic数据类
核心功能支持：
- 数据验证（自动校验字段类型）
- 数据序列化（支持JSON转换）
- 自动API文档生成

处理流程：

graph TD
  A[接收请求] --> B[数据类实例化]
  B --> C{Pydantic转换}
  C -->|成功| D[执行业务逻辑]
  C -->|失败| E[返回422验证错误]

2. 响应模型集成

@dataclass
class EnhancedItem:
    tags: list[str] = field(default_factory=list)
    stock: int = 0

@app.get("/items/next", response_model=EnhancedItem)
async def read_next_item():
    return {
        "name": "Moonlight Chair",
        "price": 599.99,
        "tags": ["家具", "现代风"]
    }

通过response_model参数指定响应数据结构
文档生成特性：
- Swagger UI自动展示数据类结构
- 支持嵌套数据类显示（如列表包含子数据类）
- 字段默认值和类型提示直观展示

3. 嵌套数据结构

from pydantic.dataclasses import dataclass

@dataclass
class Author:
    name: str
    items: list[Item] = field(default_factory=list)

@app.get("/authors/", response_model=list[Author])
def get_authors():
    return [{
        "name": "DesignMaster",
        "items": [{"name": "ErgoDesk", "price": 1299.99}]
    }]

使用pydantic.dataclasses替代标准库实现复杂场景
组合技巧：
- 列表嵌套数据类（list[Item]）
- 字典与数据类混合结构
- 继承Pydantic模型扩展功能

4. 生产环境建议

验证限制：数据类不支持Pydantic所有功能（如自定义验证器），需评估业务复杂度
文档优化：复杂结构建议使用pydantic.dataclasses保证文档正确性
性能考量：大型数据集优先使用Pydantic模型提升处理效率
版本兼容：Python 3.7+需使用from __future__ import annotations兼容类型提示

测试命令示例：

1	curl -X POST http://localhost:8000/items/ -H "Content-Type: application/json" -d '{"name":"ErgoChair", "price":799.99}'