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.
Nombre del tipo (por ejemplo Forecast).Estilo, elige Pydantic (v2) para tener validación y alias, o dataclass para un modelo sin dependencias.models.py. El estilo y el nombre del tipo se guardan en la URL.{
"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" }
]
}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.
Field(alias=...), y model_config = ConfigDict(populate_by_name=True) permite rellenarlos también por su nombre de Python.= None para evitar TypeError: non-default argument follows default argument; la clave original se conserva como comentario # JSON: "updatedAt".str, int, float, bool, list[...] y Any para valores de tipos mixtos.null pasan a X | None = None.class, from o type reciben un guion bajo al final (class_).from __future__ import annotations para que las clases puedan referenciarse entre sí sin importar el orden.Root = list[RootItem].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.
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.
Convertir data["current"]["temp"] en forecast.current.temp te da autocompletado en el editor y permite que mypy o pyright revisen el código.
@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.updatedAt) en Pydantic, llama a model_dump(by_alias=True) o model_dump_json(by_alias=True).str | None, así que los modelos Pydantic suponen Python 3.10 o posterior.str. Con Pydantic, basta con cambiar la anotación a datetime para parsear valores ISO 8601.class Config, parse_obj).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.
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.
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.
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.