Este conversor transforma uma estrutura JSON em classes BaseModel do Pydantic v2 ou em código @dataclass da biblioteca padrão. Os nomes dos campos são reescritos em snake_case, como o estilo Python espera, e cada objeto aninhado ganha a sua própria classe.
Use ao definir schemas de request e response do FastAPI, ao adicionar type hints a dados buscados com requests ou httpx, ou ao arrumar scripts de ETL e scraping que vasculham dicts por chaves string.
Nome do tipo (por exemplo Forecast).Estilo, escolha Pydantic (v2) para validação e aliases, ou dataclass para um model sem dependências.models.py. O estilo e o nome do tipo ficam salvos na 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 vira o campo updated_at, ligado de volta à chave original com Field(alias="updatedAt"). Em hourly, temp mistura inteiros e decimais, então vira float, e alert, presente só no segundo item, é str | None = None. As classes são geradas começando pelas filhas.
Field(alias=...), e model_config = ConfigDict(populate_by_name=True) deixa você também preenchê-los pelo nome Python.= None para evitar TypeError: non-default argument follows default argument; a chave original fica num comentário # JSON: "updatedAt".str, int, float, bool, list[...] e Any para valores de tipos misturados.null viram X | None = None.class, from ou type ganham um underscore no final (class_).from __future__ import annotations vem incluído para que as classes possam se referenciar independentemente da ordem.Root = list[RootItem].Monte BaseModels a partir do JSON combinado com o frontend e use em response_model= ou como parâmetros de endpoint; a documentação OpenAPI acompanha automaticamente.
Envolva as chamadas em Forecast.model_validate(resp.json()) e, quando o provedor mudar o tipo de um campo, o ValidationError aponta o path exato do campo que quebrou.
Transformar data["current"]["temp"] em forecast.current.temp dá autocomplete no editor e deixa o mypy ou o pyright checarem o código.
@dataclass não converte dicts aninhados em objetos. Depois de Forecast(**data), current continua sendo um dict; use Pydantic ou um helper como o dacite se precisar de conversão aninhada.updatedAt) no Pydantic, chame model_dump(by_alias=True) ou model_dump_json(by_alias=True).str | None, então os models Pydantic pressupõem Python 3.10 ou mais novo.str. Com Pydantic, trocar a anotação para datetime basta para fazer o parse de valores ISO 8601.class Config, parse_obj) não são geradas.populate_by_name=True?Por padrão, um campo com alias só aceita o alias (updatedAt) na entrada. Com essa configuração você também pode escrever Forecast(updated_at=...), o que é prático em testes.
Optional[str] para campos opcionais.str | None e Optional[str] significam a mesma coisa. Se você precisa de compatibilidade com Python 3.9, importe Optional de typing e troque as anotações.
Os estilos suportados são Pydantic v2 e dataclass. A lista de campos da dataclass passa direto para um TypedDict ou uma classe @attrs.define, se você precisar de um desses.
Não. Quando o nome Python é igual à chave original, nenhum Field(alias=...) ou ConfigDict é gerado, então você recebe linhas simples como rain_mm: float.