Validación de entrada en FastAPI

Implementación de IA en producción con FastAPI

Matt Eckerle

Software and Data Engineering Leader

Validar los datos de entrada

Diagrama de flujo que muestra una predicción de ML con FastAPI

¿Por qué validar la entrada?

Validación para mantener la integridad de datos
Evita errores en la aplicación
Se integra con Pydantic
Ofrece potentes herramientas de validación

Un logotipo de Pydantic

Pydantic para funciones predefinidas

Validación de campos con pydantic

Validación personalizada con pydantic

Informe de errores claro

Informe de errores durante la validación

Validadores de campos en Pydantic

Endpoint de registro de usuarios
Validación del nombre de usuario introducido:

from pydantic import BaseModel, Field

class User(BaseModel):
    username: str = Field(..., min_length=3, max_length=50)

Añadir validadores personalizados

class User(BaseModel):
    username: str = Field(..., 
                          min_length=3, 
                          max_length=50)
    age: int

    @field_validator('age')
    def age_criteria(cls, age):
        if age < 13:
            raise ValueError('User must be at least 13')
        return age

Validadores personalizados en acción

Solicitud válida:

{"username": "john_doe", "age": 25}

Usuario válido: username='john_doe' age=25

Solicitud no válida:

{"username": "too_young", "age": 10}

Error de validación para {'username': 'too_young', 'age': 10}: User must be at least 13

Integrarlo todo

Informe de errores durante la validación

Validador de campo para el nombre de usuario
Validador personalizado para la edad
Mensaje de error si falla la validación

Integrarlo todo

@app.post("/users")
def create_user(user: User):
    return {"message": "User created",
            "user": user.model_dump()}

Salida:

{
  "message": "User created successfully",
    "user": {
          "username": "john_doe", 
           "age": 25
    }
}

¡Vamos a practicar!

Implementación de IA en producción con FastAPI