PyJSON → Python

Chargement...

Simplifiez le développement de vos backends Python en générant vos modèles de données à partir d'exemples JSON.

1
JSON
Collez vos données sources. L'outil analyse les types et la structure imbriquée.
2
Style
Choisissez entre Pydantic (idéal pour FastAPI) ou les Dataclasses standards de Python 3.7+.
3
snake_case
L'outil convertit automatiquement les clés camelCase en snake_case (userId → user_id) pour respecter la PEP 8.

💡Activez 'Field alias' pour que Pydantic puisse toujours parser le JSON d'origine tout en gardant des noms de variables Python propres.
💡L'option 'Optional' permet de gérer les champs qui ne sont pas toujours présents ou qui valent 'null'.
💡L'inférence de type se base sur le premier élément pour les tableaux.

Q. Comment les classes Python générées sont-elles utilisées ?: A. Générées comme @dataclass ou modèles Pydantic BaseModel. Pydantic avec FastAPI gère automatiquement la validation des requêtes/réponses API.
Q. Quelle est la différence entre dataclass et Pydantic ?: A. dataclass fait partie de la bibliothèque standard pour des structures simples. Pydantic ajoute la validation en temps d'exécution, la sérialisation et un écosystème robuste pour le développement d'APIs.
Q. Comment les clés camelCase du JSON sont-elles mappées vers snake_case Python ?: A. Python utilise snake_case par convention, tandis que les APIs JSON utilisent souvent camelCase. Avec Pydantic, configurez alias_generator=to_camel dans model_config pour le mappage automatique.