Pydantic 的 BaseModel
Pydantic 是一个数据验证和设置管理的库，它使用 Python 类型注释来定义数据模型的结构。在 Pydantic 中，BaseModel 是所有模型的基类，提供了类型检查、数据转换和验证等功能。下面是一个简单的例子：
from pydantic import BaseModel, validator
class User(BaseModel):
id: int
name: str
age: int
# 定义一个类装饰器来校验age字段
@validator('age')
def check_age(cls, value):
if value <= 0:
raise ValueError('年龄必须大于0')
return value
# 使用 User 类来创建一个实例，并自动进行数据验证
user = User(id=123, name="Alice", age=30) # 正确，因为年龄大于0
try:
user = User(id=124, name="Bob", age=0) # 将抛出 ValueError，因为年龄不大于0
except ValueError as e:
print(e)
在这个例子中，@validator('age')装饰器告诉Pydantic，check_age方法应该用来校验age字段。如果age的值不满足条件（即小于或等于0），校验器将抛出一个ValueError异常，并显示一条错误信息。
当尝试创建一个age字段值不符合要求的User实例时，Pydantic会抛出一个异常，在上面的代码中这个异常被捕获并打印了出来。
Python 的 dataclasses
Python 的 dataclasses 模块提供了一个装饰器和函数来自动添加特殊方法，如 __init__() 和 __repr__()，到用户定义的类中，它用于创建数据类。这是 Python 3.7+ 版本的新特性。下面是一个使用 dataclasses 的例子：
from dataclasses import dataclass
@dataclass
class User:
id: int
name: str
age: int
# 使用 User 类来创建一个实例
user = User(id=123, name="Alice", age=30)
在这个例子中，User 类被 dataclass 装饰器装饰，这导致自动生成了 __init__()、__repr__() 等方法。但是，与 Pydantic 不同，dataclasses 不提供数据验证功能。
区别
- 数据验证：Pydantic 的
BaseModel提供数据验证，而 Python 的dataclasses不提供。 - 数据转换：Pydantic
BaseModel可以在实例化时将数据自动转换为正确的类型（如果可能），而dataclasses只是简单地接受所提供的数据。 - 用途：Pydantic 通常用于数据解析和验证，例如在 API 开发中定义请求和响应模型，而
dataclasses用于简化数据封装，通常在不需要复杂验证和转换的内部代码中使用。
两者都是非常有用的工具，但它们适用于不同的场景。如果需要数据验证和自动类型转换，Pydantic 是一个更好的选择；如果只是想简化类的定义并自动实现一些常见的特殊方法，Python 的 dataclasses 是一个轻量级的解决方案。
