FastAPI 中，数据库模型（通常使用 SQLAlchemy 定义）和接口模型（使用 Pydantic 定义的 schemas）的差异

在 FastAPI 中，数据库模型（通常使用 SQLAlchemy 定义）和接口模型（使用 Pydantic 定义的 schemas）虽然都用于表示数据结构，但它们有明确的职责区分。以下是它们的核心区别和协作方式：

---

1. 数据库模型 (Models)

位置：通常在 models.py 中定义
技术：使用 SQLAlchemy ORM
目的：直接映射数据库表结构，处理数据库操作
特点：

from sqlalchemy import Column, Integer, String
from sqlalchemy.ext.declarative import declarative_baseBase = declarative_base()class UserDB(Base):  # 数据库模型__tablename__ = "users"id = Column(Integer, primary_key=True, index=True)username = Column(String(50), unique=True)  # 数据库约束email = Column(String(100))hashed_password = Column(String(200))  # 敏感字段created_at = Column(DateTime)  # 数据库自动生成的时间戳

关键特性：

• 包含数据库特有的字段类型（如 Column）
• 定义表名、主键、索引、约束等
• 包含敏感字段（如密码哈希）
• 包含 ORM 关系（如 relationship）
• 可能有数据库自动生成的字段（如创建时间）

---

2. 接口模型 (Schemas)

位置：通常在 schemas.py 中定义
技术：使用 Pydantic BaseModel
目的：定义 API 输入/输出的数据结构
特点：

from pydantic import BaseModel, EmailStrclass UserCreate(BaseModel):  # 创建用户的请求模型username: stremail: EmailStr  # 自动邮箱格式验证password: strclass UserPublic(BaseModel):  # 返回给用户的响应模型id: intusername: stremail: strclass UserPrivate(UserPublic):  # 内部使用的扩展模型hashed_password: str

关键特性：

• 使用 Python 原生类型（str, int 等）
• 内置数据验证（如 EmailStr）
• 可定义不同场景的模型（创建/响应/更新）
• 不包含数据库技术细节
• 可配置响应排除敏感字段

---

3. 核心区别对比表

特性	数据库模型 (Models)	接口模型 (Schemas)
职责	数据库表映射	API 数据验证和序列化
技术	SQLAlchemy ORM	Pydantic
字段类型	Column(Integer) 等	Python 原生类型 (int, str)
敏感字段	包含密码等敏感信息	通常排除敏感字段
关系处理	直接定义 relationship	通过嵌套模型表示
自动生成字段	包含 (如 created_at)	通常不包含
数据验证	基础约束 (如 unique=True)	高级验证 (正则、邮箱格式等)

---

4. 协作流程示例

用户注册场景：

代码实现：

# schemas.py
class UserCreate(BaseModel):username: stremail: EmailStrpassword: strclass UserPublic(BaseModel):id: intusername: stremail: str# models.py
class UserDB(Base):__tablename__ = "users"id = Column(Integer, primary_key=True)username = Column(String(50), unique=True)email = Column(String(100))hashed_password = Column(String(200))# crud.py
def create_user(db: Session, user: schemas.UserCreate):# 转换并处理密码hashed_pw = hash_password(user.password)# 创建数据库模型db_user = models.UserDB(username=user.username,email=user.email,hashed_password=hashed_pw)db.add(db_user)db.commit()return db_user# main.py
@app.post("/users", response_model=schemas.UserPublic)
def create_user(user: schemas.UserCreate, db: Session = Depends(get_db)):db_user = crud.create_user(db, user)return db_user  # 自动转换为 UserPublic

---

5. 为什么需要分离？

1. 安全隔离

   • 数据库模型包含敏感字段（如密码哈希）
   • 接口模型可排除敏感字段（通过 response_model）

2. 职责分离

   • 数据库模型关注存储结构
   • 接口模型关注API契约

3. 灵活性

   # 同一个数据库模型对应多个接口模型
   class UserUpdate(BaseModel):  # 更新专用模型email: Optional[EmailStr]password: Optional[str]
   

4. 验证与约束解耦

   • 数据库约束：唯一索引、外键关系
   • API验证：邮箱格式、密码强度

5. 避免技术泄露

   • 接口模型不暴露数据库技术细节（如 SQLAlchemy 类型）
   • 保持 API 的稳定性和可替换性

---

最佳实践建议

1. 单向依赖
   Schemas 应该 不依赖 Models，保持解耦

2. 转换层
   在路由和 CRUD 操作之间进行模型转换：

   # 在路由处理函数中
   db_user = UserDB(**user_create.dict())
   

3. 使用 orm_mode
   使 Pydantic 能直接处理 ORM 对象：

   class UserPublic(BaseModel):class Config:orm_mode = True  # 允许从ORM对象创建
   

4. 分层设计

   app/
   ├── models.py    # SQLAlchemy 模型
   ├── schemas.py   # Pydantic 模型
   ├── crud.py      # 数据库操作（使用 models）
   └── api.py       # 路由（使用 schemas 和 crud）
   

这种分离设计使得 FastAPI 应用能够：

• 安全地处理敏感数据
• 独立演化数据库和API
• 提供清晰的API文档（通过Pydantic自动生成）
• 保持代码的可维护性和可测试性