🔆 معجزه Pydantic برای اعتبارسنجی و تبدیل تمیز داده‌ها

🔹 دیگه با دست دیتای ورودی رو چک نکن! (اعتبارسنجی مدرن در پایتون با Pydantic)


🔹 خیلی وقتا دیتایی از ورودی، کاربر یا API به دستمون میرسه (مثلاً JSON) و کلی خط کد می‌نویسیم تا چک کنیم سن حتماً عدد باشه، ایمیل فرمت درست داشته باشه و فیلدها خالی نباشن.

🔹 کتابخونه Pydantic این کار رو با تایپ هینت‌های خود پایتون فوق‌العاده ساده و تمیز کرده:

🔹 نمونه کد عملی:

from datetime import datetime
from pydantic import BaseModel, EmailStr, Field, field_validator

class UserRegisterSchema(BaseModel):
    name: str = Field(..., min_length=3, max_length=50)
    email: EmailStr
    age: int = Field(..., ge=18, le=100) # سن باید بین ۱۸ تا ۱۰۰ باشه
    joined_at: datetime = Field(default_factory=datetime.now)

    @field_validator("name")
    def name_must_not_contain_numbers(cls, value):
        if any(char.isdigit() for char in value):
            raise ValueError("نام نباید شامل عدد باشد")
        return value

# تست با دیتای خام:
raw_data = {
    "name": "Ali Dolati",
    "email": "ali@example.com",
    "age": "25"  # خود پایتون استرینگ رو تبدیل به عدد می‌کنه!
}

try:
    user = UserRegisterSchema(**raw_data)
    print("دیتای تمیز و معتبر:", user.model_dump())
except Exception as e:
    print("خطای ولیدیشن:", e)

🔹 چرا کاربردیه؟ هسته اصلی ابزارهایی مثل FastAPI و لانگ‌چین همین Pydantic هست و تبدیل داده‌ها (Data Parsing) رو به‌شدت امن و سریع می‌کنه.

🐍 @python_rd