这篇文章主要介绍“pydantic resolve怎么解决嵌套数据结构生成问题”的相关知识，小编通过实际案例向大家展示操作过程，操作方法简单快捷，实用性强，希望这篇“pydantic resolve怎么解决嵌套数据结构生成问题”文章能帮助大家解决问题。
案例
以论坛为例，有个接口返回帖子(posts)信息，然后呢，来了新需求，说需要显示帖子的 author 信息。
此时会有两种选择：
在 posts 的 query 中 join 查询 author 信息，在返回 post 中添加诸如 author_id, author_name 之类的字段。
{'post': 'v2ex', 'author_name': 'tangkikodo'}
根据 posts 的 ids ， 单独查询 author 列表，然后把 author 对象循环添加到 post 对象中。
{'post':'v2ex', 'author': {'name': 'tangkikod'}}
方法 1 中，需要去修改 query, 还需要修改post的schema. 如果未来要加新字段，例如用户头像的话，会需要修改两处。
方法 2 需要手动做一次拼接。之后增减字段都是在 author 对象的范围内修改。
所以相对来说, 方法 2 在未来的可维护性会比较好。用嵌套对象的方式可以更好的扩展和维护。
方法2 的返回结构
[ { "id": 1, "post": "v2ex", "author": { "name": "tangkikodo", "id": 1 } }, { "id": 2, "post": "v3ex", "author": { "name": "tangkikodo2", "id": 1 } }]然而需求总是会变化，突然来了一个新的且奇怪的需求，要在 author 信息中添加数据，显示他最近浏览过的帖子。返回体变成了：
[ { "id": 1, "post": "v2ex", "author": { "name": "tangkikodo", "recent_views": [ { "id": 2, "post": "v3ex" }, { "id": 3, "post": "v4ex" } ] } }]那这个时候该怎么弄呢？血压是不是有点上来了。
根据之前的方法 2, 通常的操作是在获取到authors信息后, 关联查找author的recent_posts, 拼接回authors, 再将 authors 拼接回posts。 流程类似层层查找再层层回拼。 伪代码类似：
# posts queryposts = query_all_posts()# authors queryauthors_ids = fetch_unique_author_id(posts) authors = query_author(author_ids)recent_view_posts = fetch_recent_review_posts(author_ids) # 新需求recent_view_maps = calc_view_mapping(recent_view_posts) # 新需求# authors attachauthors = [attach_posts(a, recent_view_maps) for a in authors]author_map = calc_author_mapping(authors)# posts attachposts = [attach_author(p, author_map) for p in posts]莫名的会联想到callback hell, 添加新的层级都会在代码中间部分切入。
反正想想就挺麻烦的对吧。要是哪天再嵌套一层呢? 代码改起来有点费劲, 如果你此时血压有点高，那请继续往下看。
那，有别的办法么？ 这里有个小轮子也许能帮忙。
解决方法
祭出一个小轮子： allmonday/pydantic-resolve
以刚才的例子，要做的事情抽象成两部分:
定义 dataloader ，负责查询和group数据。前半部分是从数据库查询，后半部分是将数据转成 pydantic 对象后返回。 伪代码，看个大概意思就好。
class AuthorLoader(DataLoader): async def batch_load_fn(self, author_ids): async with async_session() as session: # query authors res = await session.execute(select(Author).where(Author.id.in_(author_ids))) rows = res.scalars().all() # transform into pydantic object dct = defaultdict(dict) for row in rows: dct[row.author_id] = AuthorSchema.from_orm(row) # order by author_id return [dct.get(k, None) for k in author_ids]class RecentViewPostLoader(DataLoader): async def batch_load_fn(self, view_ids): async with async_session() as session: res = await session.execute(select(Post, PostVisit.visitor_id) # join 浏览中间表 .join(PostVist, PostVisit.post_id == Post.id) .where(PostVisit.user_id.in_(view_ids) .where(PostVisit.created_at < some_timestamp))) rows = res.scalars().all() dct = defaultdict(list) for row in rows: dct[row.visitor_id].append(PostSchema.from_orm(row)) # group 到 visitor return [dct.get(k, []) for k in view_ids]定义 schema, 并且注入依赖的 DataLoaders, LoaderDepend 会管理好loader 的异步上下文缓存。
class RecentPostSchema(BaseModel): id: int name: str class Config: orm_mode = Trueclass AuthorSchema(BaseModel): id: int name: str img_url: str recent_views: Tuple[RecentPostSchema, ...] = tuple() def resolve_recent_views(self, loader=LoaderDepend(RecentViewPostLoader)): return loader.load(self.id) class Config: orm_mode = Trueclass PostSchema(BaseModel): id: int author_id: int name: str author: Optional[AuthorSchema] = None def resolve_author(self, loader=LoaderDepend(AuthorLoader)): return loader.load(self.author_id) class Config: orm_mode = True然后呢？
然后就没有了，接下来只要做个 post 的查询, 再简单地...resolve 一下，任务就完成了。
posts = (await session.execute(select(Post))).scalars().all()posts = [PostSchema.from_orm(p) for p in posts]results = await Resolver().resolve(posts)在拆分了 loader 和 schema 之后，对数据地任意操作都很简单，添加任意新的schema 都不会破坏原有的代码。
完整的案例可以查看 6_sqlalchemy_loaderdepend_global_filter.py
如果之前使用过aiodataloader 的话会知道，开发需要手动维护loader在每个request 中的初始化过程 ， 但在 pydantic-resolve 中你完全不用操心异步上下文的创建，不用维护DataLoader的实例化, 一切都在pydantic-resolve的管理之中。
就完事了。如果必须说有啥缺点的话。。必须用 async await 可能算一个。
关于“pydantic resolve怎么解决嵌套数据结构生成问题”的内容就介绍到这里了，感谢大家的阅读。如果想了解更多行业相关的知识，可以关注编程网行业资讯频道，小编每天都会为大家更新不同的知识点。
