如何从Pydantic模型生成等价的Marshmallow Schema？

当然可以从Pydantic模型生成等价的Marshmallow Schema，下面是几种最优且简便的实现方式：

1. 用第三方库一键转换 #

最省心的方案是使用pydantic-marshmallow这类专门的转换库，它能自动完成Pydantic模型到Marshmallow Schema的映射，不需要手动编写字段对应关系。

示例代码：

from pydantic import BaseModel
from pydantic_marshmallow import pydantic_to_marshmallow

# 定义Pydantic模型
class User(BaseModel):
    id: int
    name: str
    email: str | None = None

# 直接转换为Marshmallow Schema
UserSchema = pydantic_to_marshmallow(User)

# 验证数据示例
data = {"id": 1, "name": "John Doe"}
schema = UserSchema()
validated_data = schema.load(data)
print(validated_data)  # 输出: {'id': 1, 'name': 'John Doe', 'email': None}

这个库会自动处理字段类型、必填性、默认值等，完全对齐Pydantic模型的定义。

2. 手动映射（适配自定义需求） #

如果需要给Schema添加自定义验证器、序列化规则这类个性化配置，可以手动基于Pydantic模型的字段定义构建Marshmallow Schema。

示例代码：

from pydantic import BaseModel
from marshmallow import Schema, fields, validate

# Pydantic模型
class User(BaseModel):
    id: int
    name: str
    email: str | None = None
    age: int

# 手动实现等价的Marshmallow Schema
class UserSchema(Schema):
    id = fields.Int(required=True)
    name = fields.Str(required=True, validate=validate.Length(min=1))
    email = fields.Email(allow_none=True)
    age = fields.Int(required=True, validate=validate.Range(min=18))

# 使用示例
data = {"id": 2, "name": "Jane Smith", "age": 25}
schema = UserSchema()
validated_data = schema.load(data)
print(validated_data)

这种方式灵活性高，但需要手动同步Pydantic模型和Schema的字段变更。

3. 动态生成Schema（批量处理场景） #

如果要批量转换多个Pydantic模型，可以通过遍历模型的__fields__属性，动态构建Marshmallow字段，减少重复代码。

示例代码：

from pydantic import BaseModel, Field
from marshmallow import Schema, fields, validate

def pydantic_to_marshmallow(model: type[BaseModel]) -> type[Schema]:
    schema_fields = {}
    for field_name, pydantic_field in model.__fields__.items():
        # 映射基础类型
        if pydantic_field.type_ == int:
            marshmallow_field = fields.Int(required=pydantic_field.required)
        elif pydantic_field.type_ == str:
            marshmallow_field = fields.Str(required=pydantic_field.required)
        elif pydantic_field.type_ == bool:
            marshmallow_field = fields.Bool(required=pydantic_field.required)
        elif pydantic_field.type_ == float:
            marshmallow_field = fields.Float(required=pydantic_field.required)
        else:
            # 处理复杂类型可自行扩展
            marshmallow_field = fields.Field(required=pydantic_field.required)
        
        # 设置默认值
        if pydantic_field.default is not None:
            marshmallow_field.default = pydantic_field.default
        
        # 映射Pydantic的字段约束
        if pydantic_field.field_info.min_length:
            marshmallow_field.validate = validate.Length(min=pydantic_field.field_info.min_length)
        if pydantic_field.field_info.ge:
            marshmallow_field.validate = validate.Range(min=pydantic_field.field_info.ge)
        
        schema_fields[field_name] = marshmallow_field
    
    # 动态创建Schema类
    return type(f"{model.__name__}Schema", (Schema,), schema_fields)

# 测试用Pydantic模型
class Product(BaseModel):
    id: int
    name: str = Field(min_length=3)
    price: float = Field(ge=0.01)
    in_stock: bool = True

# 动态生成Schema
ProductSchema = pydantic_to_marshmallow(Product)

# 使用示例
data = {"id": 101, "name": "Laptop", "price": 999.99}
schema = ProductSchema()
validated_data = schema.load(data)
print(validated_data)  # 输出: {'id': 101, 'name': 'Laptop', 'price': 999.99, 'in_stock': True}

这种方式可以根据需求扩展类型映射逻辑，适合复杂场景下的批量转换。

内容的提问来源于stack exchange，提问作者Dean Gurvitz