Validação de entrada no FastAPI

Colocando IA em Produção com FastAPI

Matt Eckerle

Software and Data Engineering Leader

Validando dados de entrada

Fluxograma mostrando previsão de ML com FastAPI

Por que validar a entrada?

Validação para integridade dos dados
Evita erros na aplicação
Integra com Pydantic
Oferece ferramentas poderosas de validação

Um logotipo do Pydantic

Pydantic para funções predefinidas

Validação de campo usando pydantic

Validação personalizada com pydantic

Validação personalizada usando pydantic

Relato de erros amigável

Relato de erros durante a validação

Validadores de campo do Pydantic

Endpoint de cadastro de usuário
Validando o nome de usuário informado:

from pydantic import BaseModel, Field

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

Adicionando 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 em ação

Requisição válida:

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

Usuário válido: username='john_doe' age=25

Requisição inválida:

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

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

Juntando tudo

Relato de erros durante a validação

Validador de campo para username
Validador personalizado para age
Mensagem de erro se a validação falhar

Juntando tudo

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

Saída:

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

Vamos praticar!

Colocando IA em Produção com FastAPI