Dataclasses и Pydantic

dataclasses — модуль стандартной библиотеки Python, который по аннотациям полей автоматически генерирует для класса конструктор __init__, строковое представление __repr__, сравнение __eq__ и другие служебные методы. Pydantic — сторонняя библиотека, которая по тем же аннотациям типов проверяет и преобразует данные во время выполнения: строку "42" из JSON превращает в число, а некорректный email отвергает с понятной ошибкой.

Проще говоря, dataclass описывает структуру данных внутри программы, а Pydantic охраняет границу, через которую в программу приходят данные извне: HTTP-запросы, файлы конфигурации, ответы API и языковых моделей.

dataclasses

Модуль появился в Python 3.7 (PEP 557, 2018); автор — Эрик Смит, вдохновлялся сторонней библиотекой attrs.^[1][6]

from dataclasses import dataclass, field

@dataclass(slots=True, kw_only=True)
class Order:
    id: int
    customer: str
    items: list[str] = field(default_factory=list)   # изменяемое значение — только через фабрику
    paid: bool = False

    @property
    def size(self) -> int:
        return len(self.items)

o = Order(id=1, customer="Алиса", items=["книга"])
print(o)                        # Order(id=1, customer='Алиса', items=['книга'], paid=False)
print(o == Order(id=1, customer="Алиса", items=["книга"]))   # True

Основные параметры декоратора:^[2]

Dataclass не проверяет типы: Order(id="один", customer=None) создастся без ошибок — несоответствие найдёт только статический анализатор (mypy и pyright). Для валидации есть метод __post_init__, но для сложных правил удобнее Pydantic.

Pydantic

Сэмюэл Колвин выпустил Pydantic в 2017 году. Библиотека стала стандартом валидации данных в Python благодаря FastAPI, который построил на ней обработку запросов. Pydantic v2 (2023) переписал ядро на Rust (pydantic-core), ускорив валидацию в разы; при переходе изменилась часть API.^[4]

from datetime import datetime
from pydantic import BaseModel, EmailStr, Field, ValidationError

class User(BaseModel):
    id: int
    email: EmailStr                      # требует пакет email-validator
    name: str = Field(min_length=1, max_length=100)
    tags: list[str] = []
    created_at: datetime

data = {"id": "42", "email": "alice@example.com", "name": "Алиса",
        "created_at": "2026-11-09T10:00:00Z"}
user = User.model_validate(data)         # "42" → 42, строка → datetime
print(user.model_dump_json())            # обратно в JSON

try:
    User.model_validate({"id": "x", "email": "нет", "name": "", "created_at": "вчера"})
except ValidationError as e:
    print(e.error_count(), "ошибки")     # все ошибки сразу, с путями к полям

Возможности:^[3]

• Приведение типов в нестрогом режиме и строгий режим, где "42" для int — ошибка.
• Валидаторы полей и моделей (@field_validator, @model_validator) для своих правил.
• Вложенные модели, списки и словари моделей, объединения типов с дискриминатором.
• JSON Schema по модели — основа документации OpenAPI в FastAPI и описаний инструментов для языковых моделей (см. Tool use / function calling, Структурированный вывод (JSON mode)).
• Настройки приложения — пакет pydantic-settings читает конфигурацию из переменных окружения и файлов .env с проверкой типов.^[5]
• Проверка обычных dataclass — декоратор pydantic.dataclasses.dataclass и TypeAdapter для любых типов.

Сравнение

Для максимальной скорости сериализации и проверки существует msgspec, а для схем в базе данных — ORM-модели вроде SQLAlchemy или SQLModel (гибрид SQLAlchemy и Pydantic).

Как выбирать

• Данные создаёт сам код и им можно доверять — dataclass: без зависимостей и накладных расходов.
• Данные приходят снаружи — запросы, JSON, YAML, ответы LLM, переменные окружения — Pydantic на границе системы; внутрь передаются уже проверенные объекты.
• Не стоит проверять одни и те же данные на каждом слое: валидация на входе, дальше — обычные типизированные объекты.

См. также

• Типизация в Python (type hints, PEP 484)
• FastAPI
• mypy и pyright
• JSON
• Декораторы

Источники

1. PEP 557 — Data Classes
2. Python — dataclasses
3. Pydantic — документация
4. Pydantic — Migration Guide (v1 → v2)
5. Pydantic — Settings Management
6. attrs — документация