JSON vers Dataclass Python

Exemple de sortie : @dataclass standard

Entrée :

{ "first_name": "Alice", "age": 30, "email": null, "tags": ["admin"] }

Sortie (Python 3.10+) :

from dataclasses import dataclass, field
from typing import Optional


@dataclass
class User:
    first_name: str
    age: int
    tags: list[str] = field(default_factory=list)
    email: Optional[str] = None

Même entrée avec Pydantic

from typing import Optional
from pydantic import BaseModel


class User(BaseModel):
    first_name: str
    age: int
    email: Optional[str] = None
    tags: list[str] = []

Mappage des types

Dataclass vs Pydantic vs TypedDict

Erreurs courantes

• Oublier default_factory pour les valeurs par défaut mutables. Un défaut list[str] = [] est un piège de dataclass (partagé entre les instances). Utilisez field(default_factory=list).
• Optionnel sans défaut. email: Optional[str] sans = None nécessite toujours l’argument. Faites correspondre votre sémantique JSON.
• Pydantic v1 vs v2. La syntaxe et les comportements diffèrent (classe Config vs model_config, validator vs field_validator). Le générateur par défaut est v2.
• L’ordre des unions est important pour la désérialisation. Pydantic essaie les types dans l’ordre de déclaration. Mettez le plus spécifique en premier (par exemple, int avant str) si l’ambiguïté est possible.