¡Convierte JSON en Pydantic model de Python!

¡Introduce JSON para generar código Pydantic model de Python, incluidos los objetos anidados! Compatible con Pydantic v2 BaseModel, dataclass, FastAPI. SQLAlchemy: en las pestañas de arriba.
JSON
Resultado
 

¡Convierte JSON en Pydantic model de Python!

Este conversor transforma una estructura JSON en clases BaseModel de Pydantic v2 o en código @dataclass de la biblioteca estándar. Los nombres de campo se reescriben en snake_case, como espera el estilo de Python, y cada objeto anidado recibe su propia clase.

Recurre a él al definir schemas de petición y respuesta en FastAPI, al añadir type hints a datos que obtienes con requests o httpx, o al limpiar scripts de ETL y scraping que navegan dicts con claves de texto.

Cómo usar

  1. Pega el JSON que quieres modelar.
  2. Escribe el nombre del modelo de nivel superior en Nombre del tipo (por ejemplo Forecast).
  3. En Estilo, elige Pydantic (v2) para tener validación y alias, o dataclass para un modelo sin dependencias.
  4. Copia el resultado en un módulo como models.py. El estilo y el nombre del tipo se guardan en la URL.

Ejemplo

Entrada (JSON)
{
  "city": "Seoul",
  "updatedAt": "2024-05-01T09:00:00+09:00",
  "current": { "temp": 18.5, "humidity": 40 },
  "hourly": [
    { "hour": 10, "temp": 19, "rain_mm": 0 },
    { "hour": 11, "temp": 20.5, "rain_mm": 0.4, "alert": "shower" }
  ]
}
Salida (Python · Pydantic v2)
from __future__ import annotations

from pydantic import BaseModel, ConfigDict, Field


class Hourly(BaseModel):
    hour: int
    temp: float
    rain_mm: float
    alert: str | None = None


class Current(BaseModel):
    temp: float
    humidity: int


class Forecast(BaseModel):
    model_config = ConfigDict(populate_by_name=True)

    city: str
    updated_at: str = Field(alias="updatedAt")
    current: Current
    hourly: list[Hourly]

updatedAt pasa a ser el campo updated_at, vinculado a la clave original con Field(alias="updatedAt"). En hourly, temp mezcla enteros y decimales, así que pasa a float, y alert, presente solo en el segundo elemento, es str | None = None. Las clases se emiten empezando por las hijas.

Funciones compatibles

  • Pydantic v2: los campos renombrados usan Field(alias=...), y model_config = ConfigDict(populate_by_name=True) permite rellenarlos también por su nombre de Python.
  • dataclass: los campos sin valor por defecto se colocan antes de los campos = None para evitar TypeError: non-default argument follows default argument; la clave original se conserva como comentario # JSON: "updatedAt".
  • Tipos: str, int, float, bool, list[...] y Any para valores de tipos mixtos.
  • Los campos que faltan en algunos elementos o contienen null pasan a X | None = None.
  • Las palabras reservadas de Python como class, from o type reciben un guion bajo al final (class_).
  • Se incluye from __future__ import annotations para que las clases puedan referenciarse entre sí sin importar el orden.
  • Un array de nivel superior produce un alias como Root = list[RootItem].

Casos de uso

Modelos de respuesta y bodies de petición en FastAPI

Construye BaseModels a partir del JSON acordado con el frontend y úsalos en response_model= o como parámetros del endpoint; la documentación OpenAPI se genera sola.

Validar respuestas de APIs de terceros

Envuelve las llamadas en Forecast.model_validate(resp.json()) y, cuando el proveedor cambie el tipo de un campo, ValidationError señala la ruta exacta del campo que se rompió.

Sustituir accesos a dicts en scripts

Convertir data["current"]["temp"] en forecast.current.temp te da autocompletado en el editor y permite que mypy o pyright revisen el código.

Notas y limitaciones

  • @dataclass no convierte los dicts anidados en objetos. Después de Forecast(**data), current sigue siendo un dict; usa Pydantic o un helper como dacite si necesitas conversión anidada.
  • Para volver a serializar con las claves JSON originales (updatedAt) en Pydantic, llama a model_dump(by_alias=True) o model_dump_json(by_alias=True).
  • La salida usa la sintaxis str | None, así que los modelos Pydantic suponen Python 3.10 o posterior.
  • Las cadenas de fecha y hora salen como str. Con Pydantic, basta con cambiar la anotación a datetime para parsear valores ISO 8601.
  • No se generan construcciones de Pydantic v1 (class Config, parse_obj).

Preguntas frecuentes

¿Para qué sirve populate_by_name=True?

Por defecto, un campo con alias solo acepta su alias (updatedAt) como entrada. Con esta opción también puedes escribir Forecast(updated_at=...), lo que resulta práctico en los tests.

Prefiero Optional[str] para los campos opcionales.

str | None y Optional[str] significan lo mismo. Si necesitas compatibilidad con Python 3.9, importa Optional desde typing y cambia las anotaciones.

¿Puede generar TypedDict o clases attrs?

Los estilos soportados son Pydantic v2 y dataclass. La lista de campos del dataclass se traslada directamente a un TypedDict o a una clase @attrs.define si necesitas una de esas.

¿Se añaden alias cuando las claves ya están en snake_case?

No. Cuando el nombre en Python es igual a la clave original, no se emite Field(alias=...) ni ConfigDict, así que obtienes líneas simples como rain_mm: float.