如何高效实现JSON对象的多条件验证？

不用堆砌大量if-else的核心思路是把验证规则抽象为可配置的独立单元，通过通用的规则引擎执行验证，既降低代码耦合度，也让规则的新增/修改更便捷。以下是具体实现方案：

1. 规则配置化：将验证逻辑与业务代码解耦 #

把每条验证规则拆成「规则描述+触发条件+验证逻辑」的结构，用配置列表统一管理所有规则，避免硬编码条件分支。例如：

# 定义所有45条验证规则
validation_rules = [
    {
        "error_msg": "属性A + 字段B的值应等于属性C",
        "trigger": lambda data: True,  # 无前置条件，直接执行验证
        "validate": lambda data: (data["A"] + data["B"]) == data["C"]
    },
    {
        "error_msg": "属性D等于3时，属性E必须为空",
        "trigger": lambda data: data.get("D") == 3,
        "validate": lambda data: data.get("E") in [None, ""]
    },
    {
        "error_msg": "属性F大于20时，属性G必须为空",
        "trigger": lambda data: isinstance(data.get("F"), (int, float)) and data["F"] > 20,
        "validate": lambda data: data.get("G") in [None, ""]
    }
    # 剩余42条规则按相同格式添加
]

2. 实现通用规则引擎 #

编写一个通用的验证函数，遍历所有规则，自动执行满足触发条件的验证逻辑，并收集所有错误信息：

def run_questionnaire_validation(data):
    validation_errors = []
    for rule in validation_rules:
        # 先判断是否满足规则触发条件
        if rule["trigger"](data):
            # 执行验证逻辑，不通过则记录错误
            if not rule["validate"](data):
                validation_errors.append(rule["error_msg"])
    return validation_errors

# 使用示例
request_json = {"A": 15, "B": 25, "C": 40, "D": 3, "E": "", "F": 22, "G": None}
errors = run_questionnaire_validation(request_json)
if errors:
    print("验证未通过：", errors)
else:
    print("所有验证项通过")

3. 复杂规则的拆分优化 #

如果某条规则的逻辑过于复杂（比如涉及多字段关联、正则校验），可以把验证逻辑拆成独立的工具函数，避免lambda表达式臃肿：

# 独立工具函数处理复杂验证
def validate_multi_field_rule(data):
    # 示例：多字段联动的复杂逻辑
    if data.get("H") == "yes":
        return isinstance(data.get("I"), str) and len(data["I"]) >= 5
    return True

# 规则列表中直接引用该函数
validation_rules.append({
    "error_msg": "属性H为yes时，属性I必须是长度≥5的字符串",
    "trigger": lambda data: True,
    "validate": validate_multi_field_rule
})

4. 边界情况处理 #

针对JSON中可能存在的缺失字段、类型不匹配问题，在规则中提前做兼容处理：

• 用data.get(key, 默认值)避免KeyError
• 增加类型校验（如isinstance(data.get("F"), (int, float))）防止数值比较时的类型错误

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