Этот конвертер превращает структуру JSON в классы Pydantic v2 BaseModel или код @dataclass из стандартной библиотеки. Имена полей переписываются в snake_case, как того требует стиль Python, и каждый вложенный объект получает собственный класс.
Пригодится при описании схем запросов и ответов FastAPI, при добавлении аннотаций типов к данным, получаемым через requests или httpx, или при наведении порядка в ETL- и скрейпинг-скриптах, которые копаются в dict по строковым ключам.
Имя типа (например, Forecast).Стиль выберите Pydantic (v2) для валидации и алиасов или dataclass для модели без зависимостей.models.py. Стиль и имя типа сохраняются в 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 становится полем updated_at, связанным с исходным ключом через Field(alias="updatedAt"). В hourly поле temp смешивает целые и дробные, поэтому становится float, а alert, который есть только во втором элементе, — str | None = None. Классы выводятся начиная с дочерних.
Field(alias=...), а model_config = ConfigDict(populate_by_name=True) позволяет заполнять их и по имени в Python.= None, чтобы избежать TypeError: non-default argument follows default argument; исходный ключ сохраняется в комментарии # JSON: "updatedAt".str, int, float, bool, list[...] и Any для значений смешанных типов.null, становятся X | None = None.class, from или type, получают подчёркивание в конце (class_).from __future__ import annotations, чтобы классы могли ссылаться друг на друга независимо от порядка.Root = list[RootItem].Постройте BaseModel по JSON, согласованному с фронтендом, и используйте их в response_model= или как параметры эндпоинтов — документация OpenAPI подтянется автоматически.
Оберните вызовы в Forecast.model_validate(resp.json()), и когда провайдер поменяет тип поля, ValidationError укажет точный путь к сломавшемуся полю.
Превращение data["current"]["temp"] в forecast.current.temp даёт автодополнение в редакторе и позволяет mypy или pyright проверять код.
@dataclass не превращает вложенные dict в объекты. После Forecast(**data) поле current всё ещё dict; если нужно вложенное преобразование, используйте Pydantic или вспомогательную библиотеку вроде dacite.updatedAt), вызывайте model_dump(by_alias=True) или model_dump_json(by_alias=True).str | None, поэтому модели Pydantic рассчитаны на Python 3.10 и новее.str. В Pydantic достаточно сменить аннотацию на datetime, чтобы значения ISO 8601 разбирались.class Config, parse_obj) не генерируются.populate_by_name=True?По умолчанию поле с алиасом принимает на вход только алиас (updatedAt). С этой настройкой можно писать и Forecast(updated_at=...), что удобно в тестах.
Optional[str] для необязательных полей.str | None и Optional[str] означают одно и то же. Если нужна совместимость с Python 3.9, импортируйте Optional из typing и замените аннотации.
Поддерживаются стили Pydantic v2 и dataclass. Список полей dataclass напрямую переносится в TypedDict или класс @attrs.define, если нужен один из них.
Нет. Когда имя в Python совпадает с исходным ключом, ни Field(alias=...), ни ConfigDict не выводятся, и вы получаете простые строки вроде rain_mm: float.