如何基于dataclasses构建兼容SQLAlchemy命令式映射的Pydantic自引用模型

你可以采用「纯标准库dataclass做领域层模型 + 单独声明Pydantic BaseModel做接口校验/序列化层」的方案，完全满足你的需求：既兼容SQLAlchemy命令式映射、支持自引用，也符合DDD依赖倒置的分层原则。

具体实现步骤 #

1. 定义纯领域模型 #

领域层完全不依赖任何第三方框架，仅用Python标准库dataclass实现，可直接用于SQLAlchemy命令式映射：

from __future__ import annotations
from dataclasses import dataclass
from typing import Optional

@dataclass
class Person:
    name: str
    age: int
    parent: Optional[Person] = None

2. 定义独立的Pydantic校验/序列化模型 #

单独定义和领域模型字段对齐的Pydantic BaseModel，用成熟的update_forward_refs方法解决自引用问题：

from pydantic import BaseModel
from typing import Optional

class PersonSchema(BaseModel):
    name: str
    age: int
    parent: Optional[PersonSchema] = None

    class Config:
        orm_mode = True # 开启后支持直接从dataclass/ORM实例转换为Pydantic实例

PersonSchema.update_forward_refs()

3. 双向转换使用 #

# 领域模型实例（可由SQLAlchemy查询直接返回）
john = Person(name="John", age=49, parent=None)
tim = Person(name="Tim", age=14, parent=john)

# 领域模型转Pydantic实例，用于接口返回序列化
tim_schema = PersonSchema.from_orm(tim)
print(tim_schema.dict())
# 输出：{'name': 'Tim', 'age': 14, 'parent': {'name': 'John', 'age': 49, 'parent': None}}

# 接口入参校验后转领域模型实例，用于业务逻辑处理/持久化
input_data = {"name": "Lily", "age": 10, "parent": tim_schema.dict()}
lily_schema = PersonSchema(**input_data)
lily = Person(**lily_schema.dict())

备选方案（不推荐）：手动更新Pydantic dataclass前向引用 #

如果你一定要直接使用Pydantic dataclass，可以手动调用其底层绑定的BaseModel的update_forward_refs方法解决问题，缺点是领域模型会绑定Pydantic依赖，不符合DDD分层原则：

from __future__ import annotations
from pydantic.dataclasses import dataclass as pydantic_dataclass
from typing import Optional

@pydantic_dataclass
class PydanticPerson:
    name: str
    age: int
    parent: Optional[PydanticPerson] = None

# 手动更新底层Pydantic模型的前向引用
PydanticPerson.__pydantic_model__.update_forward_refs()

# 测试正常运行
john = PydanticPerson(name="John", age=49, parent=None)
tim = PydanticPerson(name="Tim", age=14, parent=john)
print(tim)

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