В чем разница между pydantic и dataclass?

Разница между Pydantic и dataclass

dataclass и Pydantic — оба инструмента для определения структурированных данных в Python, но они решают разные задачи и имеют разные подходы.

dataclass (встроенный модуль)

dataclass — это декоратор из стандартной библиотеки Python (с версии 3.7), который автоматически генерирует специальные методы (__init__, __repr__, __eq__) для классов.

from dataclasses import dataclass

@dataclass
class User:
    name: str
    age: int
    email: str

user = User(name="Alice", age=30, email="alice@example.com")
print(user)  # User(name="Alice", age=30, email="alice@example.com")
print(user.age)  # 30

Особенности:

• Синтаксис похож на обычные классы
• Минимальный overhead
• Генерирует __init__, __repr__, __eq__, __hash__ и другие методы
• Без валидации по умолчанию
• Поддерживает изменяемость (по умолчанию mutable)

Pydantic

Pydantic — это сторонняя библиотека, сфокусированная на валидации данных и преобразованиях типов.

from pydantic import BaseModel, EmailStr, validator

class User(BaseModel):
    name: str
    age: int
    email: EmailStr

user = User(name="Alice", age=30, email="alice@example.com")
print(user.model_dump())  # {"name": "Alice", "age": 30, "email": "alice@example.com"}
print(user.model_dump_json())  # JSON строка

Особенности:

• Встроенная валидация типов
• Преобразование типов (coercion)
• Документирование через type hints
• Встроенная сериализация в JSON
• Настраиваемые валидаторы

Детальное сравнение

Валидация — ключевое отличие

dataclass — без валидации:

from dataclasses import dataclass

@dataclass
class Product:
    name: str
    price: float

# Валидация НЕ происходит, неправильные данные принимаются
product = Product(name="Laptop", price="not a number")
print(product.price)  # "not a number" (строка, а не число!)

Pydantic — с автоматической валидацией:

from pydantic import BaseModel, ValidationError

class Product(BaseModel):
    name: str
    price: float

try:
    product = Product(name="Laptop", price="not a number")
except ValidationError as e:
    print(e)  # Ошибка валидации

# Правильные данные
product = Product(name="Laptop", price="199.99")
print(product.price)  # 199.99 (преобразовано в float)

Пользовательские валидаторы

dataclass (требует ручной реализации):

from dataclasses import dataclass

@dataclass
class User:
    name: str
    age: int
    
    def __post_init__(self):
        if self.age < 0:
            raise ValueError("Age cannot be negative")
        if not self.name or len(self.name) < 2:
            raise ValueError("Name must have at least 2 characters")

Pydantic (встроенные валидаторы):

from pydantic import BaseModel, field_validator

class User(BaseModel):
    name: str
    age: int
    
    @field_validator("age")
    @classmethod
    def age_must_be_positive(cls, v):
        if v < 0:
            raise ValueError("Age cannot be negative")
        return v
    
    @field_validator("name")
    @classmethod
    def name_must_be_long(cls, v):
        if len(v) < 2:
            raise ValueError("Name must have at least 2 characters")
        return v

Когда использовать что?

Используй dataclass, если:

• Нужна простая структура данных без валидации
• Требуется максимальная производительность
• Работаешь с простыми типами данных
• Не нужна сериализация

Используй Pydantic, если:

• Нужна валидация входных данных
• Работаешь с API (FastAPI, например)
• Нужна сериализация в JSON
• Требуется преобразование типов
• Нужны пользовательские валидаторы
• Работаешь с внешними источниками данных

Заключение

dataclass — это инструмент для удобного определения классов, а Pydantic — это фреймворк для работы с данными, где важна валидация и преобразование. Оба имеют своё место в Python экосистеме и часто используются вместе в разных частях приложения.