undefined | Vibe Tutor

---
title: "Pydantic データ検証と OpenAPI"
description: "JSONフォーマットを手動でチェックする必要はもうありません！Pydanticの強力な機能を深く掘り下げ、ハッカーの悪意ある攻撃や誤ったデータフォーマットを自動的にブロックしましょう。"
order: 2
---

# Pydantic データ検証と OpenAPI

前章では、シンプルなGETルートの作成方法を学びました。しかし、実際のビジネスアプリケーションでは、クライアントから送信されるJSONデータ（例：登録フォーム、注文作成、AI処理用のテキスト送信）を扱うことが最も一般的です。

これがHTTPの**POST**リクエストです。

FlaskでPOSTリクエストを処理する場合、`request.json`からフィールドを一つずつ取り出し、「名前は入力されているか？」「Emailのフォーマットは正しいか？」「年齢は0より大きいか？」といった長く煩雑な`if / else`チェックを書く必要がありました。

FastAPIでは、これらの苦痛をすべて**Pydantic**に任せることができます。

## 1. Pydanticとは？

PydanticはPythonのデータ検証ライブラリです。その核心理念は、**Pythonネイティブの型ヒント（Type Hints）を使用してデータ構造を宣言する**ことです。

「モデル（Model）」を定義するだけで、FastAPIが裏ですべてを処理します：
1. **自動検証**：送信されたデータがモデルに合致しない場合、422エラーを自動返信（詳細なエラーメッセージ付き）。
2. **自動変換**：文字列`"123"`が送信されても、モデルが`int`と規定していれば自動的に型変換。
3. **自動ドキュメント生成**：このモデルをSwagger UIに同期させ、フロントエンドがどのフォーマットで送信すべきかを明確にします。

## 2. 最初のPydanticモデルを作成

「新規会員登録」APIを作成してみましょう。

```python
from fastapi import FastAPI
from pydantic import BaseModel

app = FastAPI()

# 1. Pydanticモデルを宣言
class UserCreate(BaseModel):
    username: str
    email: str
    age: int
    is_active: bool = True  # デフォルト値を提供

# 2. ルートでこのモデルをパラメータとして使用
@app.post("/users/")
async def create_user(user: UserCreate):
    # この時点で、送信されたuserは厳密に検証済みのオブジェクトです！
    print(f"新規ユーザー受信：{user.username}, メール：{user.email}")
    
    # データベース書き込みをシミュレート
    user_dict = user.model_dump() # モデルを辞書に変換
    user_dict["user_id"] = 9527
    
    return {"message": "会員登録成功", "data": user_dict}

このAPIをテスト

http://127.0.0.1:8000/docsを開くと：

新しいPOST /users/ルートが表示されます。
開くと、Request Bodyにusername、email、age、is_activeが必要なことが明確に記載されています。
"Try it out"をクリックし、意図的にageを送信しなかったり、ageを文字列"twenty"に設定したりすると、APIは即座にブロックし、どのフィールドに問題があるかを明確に示すJSONエラーメッセージを返します。

これがFastAPIの開発速度が驚異的に速い理由です！煩雑な入力チェックロジックを書く必要がなくなります！

3. 高度な検証：Field()の使用

単純な型宣言（例：strやint）だけでは不十分な場合があります。パスワードの長さを8文字以上に制限したり、年齢を18歳から100歳の間に制限したり、商品価格を負数にできないようにしたい場合があります。

このような場合、Fieldをインポートして詳細な検証を行います：

from pydantic import BaseModel, Field, EmailStr

class ProductCreate(BaseModel):
    name: str = Field(..., min_length=2, max_length=50, description="商品名")
    price: float = Field(..., gt=0, description="商品価格（0より大きい必要があります）")
    discount: float | None = Field(default=None, ge=0, le=1, description="割引率（0.0～1.0）")
    tags: list[str] = Field(default_factory=list, max_items=5)

解説：

Field(...)：...はこのフィールドが必須（Required）であることを示します。
gt=0：Greater Than（0より大きい必要があります）。
ge=0, le=1：Greater or Equal to 0, Less or Equal to 1（0%から100%の割引に使用）。
description：この説明はSwagger APIドキュメントに直接レンダリングされ、フロントエンドエンジニアが一目で理解できます！

[!TIP] Email検証の神器 Emailフォーマットを検証する場合、複雑な正規表現（Regex）を自分で書く必要はありません。email-validatorパッケージをインストール（pip install email-validator）し、型をEmailStrと宣言するだけで、Pydanticが自動的にフォーマットをチェックします！

4. ネストされたモデル（Nested Models）

実際のAPIでは、JSONが複数層になることがよくあります。Pydanticでは、モデルの中にモデルを包むだけで簡単に処理できます：

from pydantic import BaseModel

class Address(BaseModel):
    city: str
    zip_code: str

class UserProfile(BaseModel):
    name: str
    address: Address  # 別のモデルを型として直接使用

@app.post("/profile/")
async def update_profile(profile: UserProfile):
    return {"city": profile.address.city}

5. まとめ

Pydanticは、バックエンドAPIの「最強の門番」のような存在です。汚れたデータ、誤ったデータ、悪意のあるデータはすべて、ビジネスロジックに到達する前にPydanticによってブロックされます。

データの純度が確保されたら、次はこれらのデータを実際に「ハードディスクに書き込む」段階です。次章では、Python最強のORMシステム——SQLAlchemyを紹介し、PostgreSQLなどのリレーショナルデータベースとシームレスに連携する方法を解説します！

このAPIをテスト

3. 高度な検証：Field()の使用

4. ネストされたモデル（Nested Models）

5. まとめ

完全なチュートリアルをロック解除