Dataclasses vs Pydantic vs attrs
Elige la herramienta de modelado adecuada.
Receta
Tarjeta de receta de referencia rápida, lista para copiar y pegar.
@dataclass
class Point:
x: int
y: intCuándo usar esto:
- DTOs internos
- Bordes de API validados
- Objetos de valor inmutables
Ejemplo de trabajo
class PointModel(BaseModel):
model_config = ConfigDict(frozen=True)
x: int
y: intLo que esto demuestra:
- Simplicidad de dataclasses
- Validación de Pydantic
- Modelos congelados
Análisis en profundidad
Cómo funciona
- dataclasses: biblioteca estándar, ligera.
- Pydantic: validación + esquema.
- attrs: potente, menos enfoque en esquemas de API.
Trampas comunes
- Validación de límites omitida: Datos inválidos llegan a las capas de persistencia. Solución: Valida con Pydantic o formularios del framework en el borde.
- Fugas de trazas de pila: Los clientes ven errores internos. Solución: Mapea excepciones a respuestas HTTP estables.
- Bloqueo de bucles de eventos asíncronos: Los trabajadores se bloquean bajo carga concurrente. Solución: Usa controladores asíncronos o envoltorios de threadpool.
- Secretos en control de código fuente: Las credenciales se filtran a través del historial de git. Solución: Carga secretos desde el entorno o una bóveda en tiempo de ejecución.
- Falta de observabilidad: Los incidentes son difíciles de depurar. Solución: Añade logs estructurados, métricas e IDs de solicitud.
Alternativas
| Alternativa | Usar cuando | No usar cuando |
|---|---|---|
| Framework alternativo en este cookbook | Estándar del equipo o monolito existente | API Greenfield con diferentes restricciones |
| BaaS gestionado | MVP solo CRUD | Autenticación personalizada, flujos de trabajo o necesidades de cumplimiento |
| gRPC | RPC interno de alto rendimiento | Clientes HTTP públicos y acceso al navegador |
Preguntas frecuentes
¿Cuándo debo adoptar la elección de la herramienta de modelado?
Úsala cuando los patrones y las compensaciones de esta página coincidan con tu API o el límite de datos.
¿Cuál es el principal error de producción con la elección de la herramienta de modelado?
Omitir la validación, los tiempos de espera o los contratos de error explícitos en el borde HTTP.
¿Cómo pruebo la elección de la herramienta de modelado?
Usa el cliente de prueba del framework, anula las dependencias y afirma el estado más la forma JSON.
¿La elección de la herramienta de modelado funciona con Python 3.14?
Sí, los ejemplos se dirigen a Python 3.14 con versiones de framework fijadas del pie de página de la pila.
¿Cómo se relaciona la elección de la herramienta de modelado con Pydantic 2?
Valida y serializa en los límites; mantén los servicios funcionando con objetos de dominio tipados.
¿Síncrono o asíncrono?
Prefiere rutas asíncronas cuando la E/S domina; mantén el trabajo de CPU pequeño o descárgalo a los trabajadores.
¿Dónde debe residir la lógica de negocio?
Controladores delgados; los servicios poseen las reglas; los repositorios poseen las consultas.
¿Cómo documento las APIs?
Publica documentación OpenAPI o de esquema que coincida con los modelos de respuesta en el código.
¿Cómo manejo el versionado?
Versionado explícito de URL o encabezado con ventanas de deprecación; evita roturas silenciosas.
¿Qué debo leer a continuación?
Sigue los enlaces relacionados para la siguiente capa de profundidad en esta sección.
¿Cómo me mantengo seguro?
Autentica a los llamadores, autoriza por recurso, limita la tasa y nunca registres secretos.
¿Primer paso de rendimiento?
Mide la latencia de la base de datos y la de los sistemas externos antes de cambiar de framework.
Relacionado
- Conceptos básicos de Pydantic - Modelos principales
- Validadores - Reglas personalizadas
- Serialización - model_dump
- Gestión de configuración - Configuración de entorno
Versiones de la pila: Esta página se escribió para Python 3.14.0 (estable 3.14, mantenimiento 3.13), FastAPI 0.115+, Django 5.2, Flask 3.1, Pydantic 2, PyTorch 2.6+, pandas 2.2+, Polars 1.x, ruff 0.9+ y uv 0.6+.