dataclass vs Pydantic 对比与常见坑一、dataclass vs Pydantic 对比表维度 dataclass Pydantic来源 Python 标准库dataclasses第三方库pydantic核心定位 减少样板代码定义数据类 数据校验、解析、类型转换自动生成方法 自动生成 通过BaseModel__init__、__repr__、__eq__构建模型并提供验证能力类型校验 不会强制校验类型 会进行数据验证类型转换 不会自动转换 通常会自动转换例如18→18严格模式 无 支持 strict modeJSON / API 输入 不适合直接处理 非常适合JSON Schema 无 支持生成默认值field(default...)或 支持默认值与Fielddefault_factory不可变对象frozenTrue通过模型配置控制内存优化slotsTrue内部模型机制学习难度 低 中典型场景 内部数据结构 API / JSON / 配置解析二、核心理解可以简单记为dataclass减少代码Pydantic验证数据三、10 个最常见坑1以为 dataclass 会自动校验类型fromdataclassesimportdataclassdataclassclassUser:age:intuUser(18)print(type(u.age))# str类型注解只是提示不会自动校验。2可变默认值错误错误members:list[]正确fromdataclassesimportfield members:listfield(default_factorylist)3字段顺序错误错误dataclassclassUser:age:int18name:str必须先写无默认值字段。4把 dataclass 当成 Pydantic 替代dataclass 不负责输入验证JSON schema自动解析5Pydantic 自动类型转换classUser(BaseModel):age:intUser(age18)默认会转为 int。6该用 strict mode 却没用严格模式可以避免隐式转换。7误以为 frozen 完全不可变dataclass(frozenTrue)classA:items:list列表内容仍然可以修改。8乱用 slots优点节省内存缺点不能动态增加属性9混淆 Pydantic dataclass 与 BaseModelPydantic 有两种模式BaseModelpydantic.dataclasses.dataclass一般推荐BaseModel。10没有分层设计推荐结构外部输入层PydanticclassUserInput(BaseModel):name:strage:int内部业务层dataclassdataclassclassUser:name:strage:int四、最佳实践场景 推荐内部数据对象 dataclassAPI 请求体 PydanticJSON / 配置解析 Pydantic简单数据结构 dataclass五、总结dataclass→简化数据类Pydantic→校验与解析数据内部用 dataclass边界层用 Pydantic