Python数据校验无唯一最优解，选型需匹配场景：轻量数据用pydantic，API层强约束首选pydantic v2，配置文件可选cerberus或voluptuous，简单检查用assert或自定义函数。
Python数据校验没有“唯一最优解”，选型核心是匹配场景：轻量结构化数据用 pydantic，API层强约束推荐 pydantic v2，配置文件校验可考虑 cerberus 或 voluptuous，而超简单字段检查直接用内置 assert 或自定义函数更干脆。
API请求/响应校验：优先 pydantic v2
它天然适配 FastAPI、Starlette 等异步框架，支持类型注解 + 验证逻辑一体化，自动处理 JSON 序列化、错误提示、嵌套模型和默认值。例如定义一个用户注册请求体：
from pydantic import BaseModel, EmailStr, field_validator
class UserRegister(BaseModel):
name: str
email: EmailStr
age: int
@field_validator('age')
def age_must_be_adult(cls, v):
if v
raise ValueError('Must be 18 or older')
return v
接收请求时一行即可完成解析+校验：user = UserRegister.model_validate(request_json)，失败自动抛出带字段信息的 ValidationError。
立即学习“Python免费学习笔记（深入）”；
配置文件或规则驱动校验：cerberus / voluptuous
当校验逻辑来自 YAML/JSON 配置（如 CI 参数、服务模板），或需要运行时动态构造规则时，schema-based 库更灵活：
- cerberus：语法简洁，支持自定义验证器、类型转换、多级嵌套；适合运维脚本、配置中心校验。
-
voluptuous：函数式风格，链式调用直观（如
Schema({Required('host'): str, Optional('port', default=80): int})）；适合中小型工具类项目。
二者都不强制依赖类型注解，更适合非 Python 原生数据源（如前端传来的原始 dict）。
极简场景：别引入第三方库
单字段检查、脚本参数预检、内部函数入参防护，用原生方式更轻快：
- 基础类型断言：
assert isinstance(data, dict) and 'id' in data - 范围检查：
if not (1 - 封装小函数：
def validate_email(s): return "@" in s and "." in s.split("@")[-1]
过度设计反而增加维护成本，尤其在一次性脚本或胶水代码中。
避坑提醒：几个关键权衡点
-
性能敏感场景慎用 pydantic v2 的 strict mode：开启后会做深度类型强制转换，比 loose mode 慢 2–3 倍；高频日志解析等可降级为
model_validate_json(..., strict=False)。 -
避免在循环内反复构建模型类：pydantic 类实例化有开销；批量校验应复用同一模型类，而非每次
type(f"Item{i}", (), {...})动态生成。 - 不推荐用 jsonschema + python-jsonschema：表达能力弱、报错不友好、生态碎片化；除非已有现成 JSON Schema 规范需严格兼容。
