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
|
4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。
|
4月前
|
Rust 安全 JavaScript
告别 `print()`!用 VS Code 调试器高效定位 Bug
本文手把手教你用VS Code调试器替代低效`print`:5步定位“越打折越贵”Bug,零代码侵入、实时查变量、支持条件断点与表达式监视。免费、高效、安全——调试本该如此简单!
511 33
|
4月前
|
人工智能 安全 Go
使用MCP官方 Go SDK实现自己的MCP server
MCP(Model Context Protocol)是Anthropic推出的标准化协议,让AI安全调用外部工具。本文带你用官方Go SDK从零实现MCP服务器,支持“获取当前时间”和“读取本地文件”两个工具,并在VS Code中快速测试调用。(239字)
637 1
|
4月前
|
人工智能 开发框架 数据可视化
谷歌推出新一代AI开发框架Genkit: Go 入门指南:用 Go 轻松构建 AI 应用
Genkit 是 Google Firebase 推出的开源 AI 应用框架,支持 Go、JS、Python。Genkit Go 为纯 Go 实现,统一接入 Gemini/OpenAI/Vertex AI,内置可视化调试、类型安全结构化生成,专为生产环境设计,5 分钟即可启动首个 AI 应用。
736 3
|
4月前
|
安全 Go API
Go 并发编程:原子操作(Atomics)完全指南
本文深入解析 Go 原子操作:原理、`sync/atomic` 类型与 API(如 `Load`/`Store`/`CAS`)、经典竞态陷阱(组合非原子)、与互斥锁的选型策略,强调“单操作原子,组合不原子”这一核心原则,并提供计数器修复、一次性门控等实战范例。(239字)
400 1
|
5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。
4473 6