FastAPI项目中Pydantic模型动态字段类型实现方案咨询

当然可以实现，以下是几种实用方案，适配不同场景：

1. 动态生成Pydantic模型（最灵活） #

利用Pydantic提供的create_model函数，在运行时根据目标类型动态生成包含指定Data字段类型的模型。

from pydantic import BaseModel, create_model

# 假设运行时确定的目标数据类型
class UserData(BaseModel):
    user_id: int
    username: str

# 动态生成模型：参数依次为模型名、字段定义（字段名=(类型, 默认值/必填标记)）
DynamicDataModel = create_model(
    'DynamicDataModel',
    Data=(UserData, ...)  # ... 表示该字段为必填
)

# 使用示例
input_data = {"Data": {"user_id": 1001, "username": "john_doe"}}
instance = DynamicDataModel(**input_data)
print(instance.Data.username)  # 输出 john_doe

这种方案适合完全动态的场景——不管运行时确定的类型是什么，都能快速生成对应的验证模型。

2. 联合类型+判别器（适用于已知有限类型集合） #

如果提前知道Data字段可能的几种类型，可以用Union结合类型判别字段，让Pydantic自动根据标识解析对应类型。

from pydantic import BaseModel, Field
from typing import Union, Literal

# 定义可能的子类型
class OrderData(BaseModel):
    type: Literal["order"]
    order_id: str
    amount: float

class ProductData(BaseModel):
    type: Literal["product"]
    sku: str
    stock: int

# 主模型：通过discriminator指定类型判别字段
class DataSchemaModel(BaseModel):
    Data: Union[OrderData, ProductData] = Field(discriminator="type")

# 使用示例
# 自动根据type字段匹配对应类型
order_input = {"Data": {"type": "order", "order_id": "ORD-001", "amount": 99.9}}
order_instance = DataSchemaModel(**order_input)
assert isinstance(order_instance.Data, OrderData)

product_input = {"Data": {"type": "product", "sku": "PROD-123", "stock": 50}}
product_instance = DataSchemaModel(**product_input)
assert isinstance(product_instance.Data, ProductData)

这种方案不需要动态生成模型，且自带类型校验和自动解析，适合类型范围明确的场景。

3. 自定义字段验证（适配复杂校验逻辑） #

如果需要在保留Any类型的基础上，动态校验Data字段的类型，可以通过自定义字段验证器实现。

from pydantic import BaseModel, ValidationError, field_validator
from typing import Any

class DataSchemaModel(BaseModel):
    Data: Any
    # 运行时传入目标类型（也可以从外部上下文获取）
    target_data_type: type = None

    @field_validator('Data')
    def check_data_type(cls, value, values):
        target_type = values.data.get('target_data_type')
        if target_type:
            # 如果是Pydantic模型，尝试解析；如果是基础类型，直接判断实例
            if issubclass(target_type, BaseModel):
                return target_type(**value)
            elif not isinstance(value, target_type):
                raise ValueError(f"Data must be of type {target_type.__name__}")
        return value

# 使用示例
class AddressData(BaseModel):
    city: str
    zip_code: str

try:
    # 运行时指定目标类型
    instance = DataSchemaModel(
        Data={"city": "Beijing", "zip_code": "100000"},
        target_data_type=AddressData
    )
    print(instance.Data.city)  # 输出 Beijing
except ValidationError as e:
    print(e)

这种方案灵活性高，能适配复杂的动态校验逻辑，比如需要同时做类型转换和校验的场景。

内容的提问来源于stack exchange，提问作者Riyas