FastAPI + SQLModel 实战:标准项目结构下,一个模型搞定数据库与 API

简介: SQLModel 实现“一模型双用”:单个类同时作为数据库表与 Pydantic API 模型,天然支持字段校验、类型提示、OpenAPI 文档生成,彻底消除重复定义,提升开发效率与一致性。(239字)

零重复代码!用 SQLModel 实现 数据库模型Pydantic 请求/响应模型 的统一,同时保留字段校验、类型提示与文档自动生成。

image.png


🎯 为什么 SQLModel 能“一个模型走天下”?

在传统 FastAPI 项目中,你通常要写:

  • UserCreate(请求体)
  • UserRead(响应体)
  • UserUpdate(部分更新)
  • UserDB(SQLAlchemy ORM 模型)

而 SQLModel 的核心优势是:

继承自 Pydantic 的 BaseModel → 支持字段校验、类型提示、OpenAPI 文档
同时是 SQLAlchemy 的 ORM 模型 → 可直接用于数据库操作
一套代码,双重身份 → 无需重复定义!


📁 标准 FastAPI 项目结构

fastapi-sqlmodel-user/
├── main.py
├── database.py
├── models/
│   └── user.py
├── api/
│   └── v1/
│       └── users.py
└── requirements.txt

1️⃣ 定义 唯一 的 User 模型(models/user.py

# models/user.py
from typing import Optional
from sqlmodel import SQLModel, Field

class User(SQLModel, table=True):
    """
    这个类既是:
    - 数据库表(通过 table=True)
    - Pydantic 模型(用于 API 输入/输出)
    - 自动支持字段校验(如必填、类型、约束)
    """
    id: Optional[int] = Field(default=None, primary_key=True)
    name: str = Field(min_length=1, max_length=100)  # Pydantic 校验生效!
    email: str = Field(unique=True, regex=r"^[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}$")
    age: Optional[int] = Field(default=None, ge=0, le=150)  # 年龄范围校验

🔥 关键点

  • Field() 来自 Pydantic,所以 min_length, regex, ge 等校验全部生效
  • unique=TrueSQLAlchemy 的数据库约束
  • 同一个 Field 同时服务 API 层DB 层

2️⃣ 数据库配置(database.py

# database.py
from sqlmodel import create_engine, Session
from sqlmodel import SQLModel
from models.user import User  # 确保模型被导入

# 使用 SQLite 文件数据库(持久化)
engine = create_engine("sqlite:///./app.db", echo=True)

def create_db_and_tables():
    SQLModel.metadata.create_all(engine)

def get_session():
    with Session(engine) as session:
        yield session

3️⃣ API 路由(api/v1/users.py

# api/v1/users.py
from fastapi import APIRouter, Depends, HTTPException
from sqlmodel import Session, select
from models.user import User
from database import get_session

router = APIRouter(prefix="/v1/users", tags=["users"])

@router.post("/", response_model=User)
def create_user(user: User, session: Session = Depends(get_session)):
    """
    请求体自动用 User 模型校验!
    - name 必填且 1~100 字符
    - email 必须是合法邮箱
    - age 必须在 0~150 之间
    """
    # 检查邮箱是否已存在(unique 约束在 DB 层,但提前校验更友好)
    existing_user = session.exec(select(User).where(User.email == user.email)).first()
    if existing_user:
        raise HTTPException(status_code=400, detail="Email already registered")

    session.add(user)
    session.commit()
    session.refresh(user)  # 获取数据库生成的 id
    return user


@router.get("/", response_model=list[User])
def read_users(session: Session = Depends(get_session)):
    return session.exec(select(User)).all()


@router.get("/{user_id}", response_model=User)
def read_user(user_id: int, session: Session = Depends(get_session)):
    user = session.get(User, user_id)
    if not user:
        raise HTTPException(status_code=404, detail="User not found")
    return user

4️⃣ 主应用入口(main.py

# main.py
from fastapi import FastAPI
from database import create_db_and_tables, engine
from api.v1.users import router as users_router

app = FastAPI(title="FastAPI + SQLModel 用户管理")

# 初始化数据库
@app.on_event("startup")
def on_startup():
    create_db_and_tables()

# 注册路由
app.include_router(users_router)

5️⃣ 运行 & 测试

pip install fastapi sqlmodel uvicorn[standard]
uvicorn main:app --reload

访问 http://localhost:8000/docs

✅ 测试字段校验

1. 邮箱格式错误(自动拒绝)

POST /v1/users/
{
   
  "name": "张三",
  "email": "invalid-email",
  "age": 30
}

→ 返回 422 错误:"msg": "string does not match regex ..."

2. 年龄超范围

{
   
  "name": "李四",
  "email": "li@example.com",
  "age": 200
}

→ 返回 422:"msg": "ensure this value is less than or equal to 150"

3. 成功创建

{
   
  "name": "王五",
  "email": "wang@example.com",
  "age": 25
}

→ 返回带 id 的完整用户对象


💡 为什么这比传统方式好?

传统方式 SQLModel 方式
需定义 UserCreate, UserRead, UserDB 等多个类 只需一个 User
字段变更需同步多处 一处修改,处处生效
Pydantic 校验和 DB 约束分离 统一在 Field() 中声明
容易遗漏校验或类型不一致 强类型 + IDE 自动补全


相关文章
|
SQL 数据库 Python
SQLAlchemy中filter函数的使用
SQLAlchemy中filter函数的使用
1000 0
|
5月前
|
人工智能 自然语言处理 前端开发
AI Agent系列|深入解析Function Calling、MCP和Skills的本质差异与最佳实践
本系列文章基于 Lynxe 作者沈询的实战经验,深入浅出解析 ReAct Agent 的核心原理与工程价值,帮助开发者快速掌握从“写流程”到“造智能体”的关键跃迁。
|
5月前
|
运维 安全 前端开发
Go slog 日志打印最佳实践指南
Go 1.21 引入的 `log/slog` 提供原生结构化日志能力,围绕 Logger、Handler、Record 三大核心设计。本文详解其最佳实践:类型安全属性、linter 规范、分级日志、上下文传递、敏感信息脱敏、性能优化及自定义 Handler 等,助你构建高效可靠的可观测性日志系统。(239字)
268 4
|
6月前
|
人工智能 自然语言处理 Java
Spring AI Alibaba实战:从0到1构建企业级智能应用
本文介绍了基于SpringAI Alibaba框架开发AI原生应用的实战指南。文章首先分析了SpringAI Alibaba作为SpringAI本土化版本的核心优势,包括深度适配阿里云生态、中文语境优化等特性。随后详细讲解了开发环境的搭建过程,包括JDK17、SpringBoot3.2.2等技术栈的配置。通过三个实战案例展示了核心功能实现:基础文本生成、结合MyBatisPlus的智能问答系统、以及流式响应和函数调用等高级特性。
4906 6
|
11月前
|
人工智能 自然语言处理 Java
从青铜到王者,DeepSeek+Spring AI 搭建 RAG 知识库
本文介绍了基于RAG(检索增强生成)技术构建知识库的原理与实现方法。RAG通过结合检索与生成模型,提升大语言模型在问答任务中的准确性与相关性,有效缓解“幻觉”问题。文章还详细讲解了如何利用DeepSeek与SpringAI搭建高效RAG系统,并提供了完整的Java代码示例,帮助开发者快速实现文档处理、向量存储与智能问答功能。适用于智能客服、内容生成、辅助决策等多个场景。
2447 2
|
缓存 测试技术 API
解锁开源模型高性能服务:SGLang Runtime 应用场景与实践
SGLang 是一个用于大型语言模型和视觉语言模型的推理框架。
|
测试技术 数据库 Python
SQLAlchemy的同步和异步的代码对比
这篇文章比较了SQLAlchemy同步和异步操作的代码差异,包括创建数据库引擎、会话、执行查询、新增、编辑和删除数据的不同方式。
958 8