Indatavalidering i FastAPI

Driftsättning av AI i produktion med FastAPI

Matt Eckerle

Software and Data Engineering Leader

Validera indata

Flödesschema som visar ML-prediktion med FastAPI

Varför validera indata?

Validering för dataintegritet
Förhindrar fel i applikationen
Integreras med Pydantic
Erbjuder kraftfulla verktyg för datavalidering

En logotyp för Pydantic

Pydantic för fördefinierade funktioner

Fältvalidering med Pydantic

Anpassad validering med Pydantic

Tydlig felrapportering

Felrapportering vid validering

Pydantics fältvaliderare

Endpoint för användarregistrering
Validering av användarnamnet som anges:

from pydantic import BaseModel, Field

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

Lägga till anpassade validerare

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

Anpassade validerare i praktiken

Giltig förfrågan:

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

Valid user: username='john_doe' age=25

Ogiltig förfrågan:

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

Validation error for {'username': 'too_young', 'age': 10}: User must be at least 13

Allt satt ihop

Felrapportering vid validering

Fältvaliderare för användarnamn
Anpassad validerare för ålder
Felmeddelande vid misslyckad validering

Allt satt ihop

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

Utdata:

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

Nu kör vi en övning!

Driftsättning av AI i produktion med FastAPI