🧠 驯服野生数据：我使用 Pydantic 进行 Bulletproof 验证的旅程。
您精心设计的 Python 应用程序在生产中突然崩溃，因为某些外部系统或用户向您发送的数据与您预期的完全不一样。
我早期的项目是一个雷区： if type(data[‘field’]) is not str: 检查，用于解析的嵌套 try- except 块，以及无处不在的无休止的手动验证逻辑。
它很脆弱、重复，并且维护起来是一场噩梦。
每个新的 API 端点或数据源都意味着从头开始编写类似的检查，从而导致错误、不一致的错误消息以及浪费大量时间调试格式错误的输入。
让我的数据模型不仅描述我的数据，而且在运行时验证它，这是我迫切需要的一个游戏规则改变者。
来源：Dev.to
