Convertissez du JSON en Pydantic model Python !

Saisissez du JSON pour générer du code Pydantic model Python, objets imbriqués compris ! Compatible avec Pydantic v2 BaseModel, dataclass, FastAPI. SQLAlchemy : dans les onglets ci-dessus.
JSON
Résultat
 

Convertissez du JSON en Pydantic model Python !

Ce convertisseur transforme une structure JSON en classes Pydantic v2 BaseModel ou en code @dataclass de la bibliothèque standard. Les noms de champs sont réécrits en snake_case comme le veut le style Python, et chaque objet imbriqué reçoit sa propre classe.

À utiliser pour définir les schémas de requête et de réponse FastAPI, pour ajouter des annotations de type aux données récupérées avec requests ou httpx, ou pour assainir des scripts d'ETL et de scraping qui fouillent des dicts par clés chaînes.

Mode d'emploi

  1. Collez le JSON que vous voulez modéliser.
  2. Saisissez le nom du modèle de premier niveau dans Nom du type (par exemple Forecast).
  3. Sous Style, choisissez Pydantic (v2) pour la validation et les alias, ou dataclass pour un modèle sans dépendance.
  4. Copiez le résultat dans un module comme models.py. Le style et le nom du type sont enregistrés dans l'URL.

Exemple

Entrée (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" }
  ]
}
Sortie (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 devient le champ updated_at, rattaché à la clé d'origine par Field(alias="updatedAt"). Dans hourly, temp mélange entiers et décimaux et devient donc float, et alert, présent seulement dans le deuxième élément, est str | None = None. Les classes sont émises en commençant par les enfants.

Fonctionnalités prises en charge

  • Pydantic v2 : les champs renommés utilisent Field(alias=...), et model_config = ConfigDict(populate_by_name=True) permet aussi de les renseigner par leur nom Python.
  • dataclass : les champs sans valeur par défaut sont placés avant les champs = None pour éviter TypeError: non-default argument follows default argument ; la clé d'origine est conservée en commentaire # JSON: "updatedAt".
  • Types : str, int, float, bool, list[...], et Any pour les valeurs de types mélangés.
  • Les champs absents de certains éléments ou contenant null deviennent X | None = None.
  • Les mots-clés Python comme class, from ou type reçoivent un tiret bas final (class_).
  • from __future__ import annotations est inclus pour que les classes puissent se référencer quel que soit leur ordre.
  • Un tableau de premier niveau produit un alias comme Root = list[RootItem].

Cas d'utilisation

Modèles de réponse et corps de requête FastAPI

Construisez des BaseModel à partir du JSON convenu avec le frontend et utilisez-les dans response_model= ou comme paramètres d'endpoint ; la doc OpenAPI suit automatiquement.

Valider les réponses d'API tierces

Encapsulez les appels dans Forecast.model_validate(resp.json()) : quand le fournisseur change le type d'un champ, ValidationError indique le chemin exact du champ cassé.

Remplacer les accès par dict dans les scripts

Transformer data["current"]["temp"] en forecast.current.temp vous donne la complétion dans l'éditeur et permet à mypy ou pyright de vérifier le code.

Remarques et limites

  • @dataclass ne convertit pas les dicts imbriqués en objets. Après Forecast(**data), current reste un dict ; utilisez Pydantic ou un utilitaire comme dacite s'il vous faut une conversion imbriquée.
  • Pour resérialiser avec les clés JSON d'origine (updatedAt) en Pydantic, appelez model_dump(by_alias=True) ou model_dump_json(by_alias=True).
  • La sortie utilise la syntaxe str | None : les modèles Pydantic supposent donc Python 3.10 ou plus récent.
  • Les chaînes de date et d'heure sortent en str. Avec Pydantic, changer l'annotation en datetime suffit pour analyser les valeurs ISO 8601.
  • Les constructions Pydantic v1 (class Config, parse_obj) ne sont pas générées.

FAQ

À quoi sert populate_by_name=True ?

Par défaut, un champ avec alias n'accepte que son alias (updatedAt) en entrée. Avec ce réglage, vous pouvez aussi écrire Forecast(updated_at=...), pratique dans les tests.

Je préfère Optional[str] pour les champs optionnels.

str | None et Optional[str] signifient la même chose. S'il vous faut la compatibilité Python 3.9, importez Optional depuis typing et remplacez les annotations.

Peut-il produire des TypedDict ou des classes attrs ?

Les styles pris en charge sont Pydantic v2 et dataclass. La liste de champs de la dataclass se transpose directement en TypedDict ou en classe @attrs.define si vous en avez besoin.

Des alias sont-ils ajoutés quand les clés sont déjà en snake_case ?

Non. Quand le nom Python est identique à la clé d'origine, aucun Field(alias=...) ni ConfigDict n'est émis : vous obtenez des lignes simples comme rain_mm: float.