举个简单的例子来说下pydantic

假设我们有一个Person类，其中包含名字、年龄和电子邮件地址等属性。我们可以使用pydantic来定义这个类的模型，如下所示：

from pydantic import BaseModel, EmailStr

class Person(BaseModel):
    name: str
    age: int
    email: EmailStr

在上面的代码中，我们定义了一个名为Person的类，它继承自pydantic的BaseModel。在Person类中，我们定义了三个属性：name、age和email。name属性是一个字符串类型，age属性是一个整数类型，email属性是一个EmailStr类型，它已经内置了电子邮件地址验证的功能。

使用pydantic的好处是，它可以轻松地对输入数据进行验证和转换，从而避免了一些常见的错误。例如，如果我们将一个无效的电子邮件地址传递给Person类的实例，pydantic会自动引发一个ValidationError异常，告诉我们输入数据不符合预期。

person = Person(name="John", age=30, email="invalid_email")
# Raises a ValidationError: value is not a valid email address (type=value_error.email)

另外，如果我们想将一个字典转换为Person类的实例，也可以使用pydantic的parse_obj方法，如下所示：

data = {"name": "John", "age": 30, "email": "john@example.com"}
person = Person.parse_obj(data)

这样，我们就可以轻松地使用pydantic来定义和验证数据模型。