feat: 新增两篇博客

Python标准库：typing
Python数据验证和序列化:Pydantic

Author: cpython666

docs/.vitepress/config.mjs

@@ -51,6 +51,8 @@ let nav_tmp = [
           { text: '23种设计模式-Python', link: '/Python/系列文章/23种设计模式/' },
           { text: 'PyQt6实战开发之旅', link: '/Python/系列文章/PyQt6实战开发之旅' },
           { text: '探索SimpleUI：让Django Admin焕发现代光彩', link: '/Python/系列文章/探索SimpleUI：让Django Admin焕发现代光彩' },
+          { text: 'Python标准库：typing', link: '/Python/系列文章/typing-intro' },
+          { text: 'Python数据验证和序列化:Pydantic', link: '/Python/系列文章/Pydantic' },
         ]
       },
     ]

docs/Python/系列文章/Pydantic.md

@@ -0,0 +1,217 @@
+Pydantic 是一个流行的 Python 库，主要用于数据验证和序列化。它基于 Python 的类型注解（`typing` 模块），提供了一种优雅的方式来定义数据模型、验证输入数据，并在必要时将其转换为指定类型。Pydantic 被广泛应用于 Web 开发（例如 FastAPI）、配置文件解析以及任何需要处理结构化数据的场景。
+
+以下是对 Pydantic 的详细介绍：
+
+---
+
+### 1. **基本概念**
+Pydantic 的核心是 `BaseModel` 类，通过继承它，你可以定义一个数据模型。模型中的字段使用类型注解来声明，Pydantic 会根据这些注解自动验证和转换数据。
+
+安装 Pydantic：
+
+```bash
+pip install pydantic
+```
+
+简单示例：
+
+```python
+from pydantic import BaseModel
+
+class User(BaseModel):
+    id: int
+    name: str
+    age: int
+
+# 创建实例
+user = User(id=1, name="Alice", age=25)
+print(user)  # 输出: id=1 name='Alice' age=25
+
+# 数据验证
+invalid_user = User(id="not_an_int", name="Bob", age=30)  # 抛出 ValidationError
+```
+
+在这个例子中：
+
++ 如果 `id` 不是整数，Pydantic 会抛出 `ValidationError`。
++ Pydantic 会自动将输入数据解析为指定类型（例如，字符串 `"1"` 可以转换为整数 `1`）。
+
+---
+
+### 2. **核心特性**
+#### 数据验证
+Pydantic 会检查字段是否符合声明的类型，并支持复杂的验证规则。例如：
+
+```python
+from pydantic import BaseModel, EmailStr, PositiveInt
+
+class Person(BaseModel):
+    name: str
+    email: EmailStr  # 验证邮箱格式
+    age: PositiveInt  # 必须是正整数
+
+person = Person(name="Alice", email="alice@example.com", age=25)
+print(person)  # 输出: name='Alice' email='alice@example.com' age=25
+
+# 无效数据会报错
+person = Person(name="Bob", email="invalid-email", age=-5)  # 抛出 ValidationError
+```
+
+#### 数据转换
+Pydantic 不仅验证数据，还会尝试将输入转换为目标类型：
+
+```python
+user = User(id="1", name="Alice", age="25")  # 字符串会被转换为 int
+print(user.id, type(user.id))  # 输出: 1 <class 'int'>
+```
+
+#### 嵌套模型
+支持定义嵌套的数据结构：
+
+```python
+from pydantic import BaseModel
+
+class Address(BaseModel):
+    city: str
+    country: str
+
+class User(BaseModel):
+    name: str
+    address: Address
+
+user = User(name="Alice", address={"city": "Beijing", "country": "China"})
+print(user)  # 输出: name='Alice' address=Address(city='Beijing', country='China')
+```
+
+#### 默认值和可选字段
+可以使用 `Optional` 或默认值：
+
+```python
+from typing import Optional
+from pydantic import BaseModel
+
+class User(BaseModel):
+    id: int
+    name: str = "Anonymous"  # 默认值
+    email: Optional[str] = None  # 可选字段
+
+user = User(id=1)
+print(user)  # 输出: id=1 name='Anonymous' email=None
+```
+
+#### 序列化
+Pydantic 模型可以轻松转换为 JSON 或字典：
+
+```python
+print(user.dict())  # 输出: {'id': 1, 'name': 'Anonymous', 'email': None}
+print(user.json())  # 输出: {"id": 1, "name": "Anonymous", "email": null}
+```
+
+---
+
+### 3. **高级功能**
+#### 自定义验证
+通过 `@validator` 装饰器，可以为字段添加自定义验证逻辑：
+
+```python
+from pydantic import BaseModel, validator
+
+class User(BaseModel):
+    username: str
+    password: str
+
+    @validator("password")
+    def password_must_be_strong(cls, v):
+        if len(v) < 8:
+            raise ValueError("Password must be at least 8 characters")
+        return v
+
+user = User(username="alice", password="12345678")  # 通过
+invalid = User(username="bob", password="weak")  # 抛出 ValidationError
+```
+
+#### 配置类
+通过 `Config` 类调整模型行为，例如字段别名、忽略额外字段等：
+
+```python
+class User(BaseModel):
+    id: int
+    full_name: str
+
+    class Config:
+        fields = {"full_name": "name"}  # 别名映射
+
+user = User(id=1, name="Alice")  # 使用别名 "name" 传入数据
+print(user.full_name)  # 输出: Alice
+```
+
+#### 环境变量和 Settings
+Pydantic 提供 `BaseSettings` 来管理配置，例如从环境变量加载数据：
+
+```python
+from pydantic import BaseSettings
+
+class Settings(BaseSettings):
+    api_key: str
+    database_url: str
+
+    class Config:
+        env_prefix = "MYAPP_"  # 环境变量前缀
+
+settings = Settings()  # 自动从环境变量 MYAPP_API_KEY 和 MYAPP_DATABASE_URL 加载
+```
+
+---
+
+### 4. **与 FastAPI 的结合**
+Pydantic 是 FastAPI 的核心组件，用于定义 API 的请求和响应模型。例如：
+
+```python
+from fastapi import FastAPI
+from pydantic import BaseModel
+
+app = FastAPI()
+
+class Item(BaseModel):
+    name: str
+    price: float
+
+@app.post("/items/")
+async def create_item(item: Item):
+    return item
+```
+
++ FastAPI 会自动验证请求体的数据，并返回符合 `Item` 模型的响应。
++ 如果数据不合法，会返回详细的错误信息。
+
+---
+
+### 5. **优势**
++ **类型安全**: 结合类型注解，确保数据符合预期。
++ **开发效率**: 自动验证和转换减少了手动检查代码。
++ **可读性**: 数据模型定义清晰，易于理解。
++ **生态支持**: 与 FastAPI、SQLAlchemy 等库无缝集成。
+
+---
+
+### 6. **局限性**
++ **性能开销**: 验证和转换会带来少量运行时开销，不适合极高性能场景。
++ **学习曲线**: 对于新手来说，自定义验证和复杂嵌套模型可能需要时间适应。
+
+---
+
+### 7. **版本演进**
++ **Pydantic V1**: 稳定版本，广泛使用。
++ **Pydantic V2**（2023 年发布）：性能大幅提升，支持更多功能（如更快的 JSON 序列化），但 API 有部分变化。建议查看官方文档以了解迁移指南。
+
+安装 V2：
+
+```bash
+pip install pydantic>=2.0
+```
+
+---
+
+### 总结
+Pydantic 是一个强大而灵活的工具，特别适合需要处理外部输入数据（如 API 请求、配置文件）的场景。它通过类型注解和验证机制，将 Python 的动态特性与静态类型检查的优势结合在一起。
+