参数验证是确保函数或方法接收到预期数据类型和格式的关键步骤，有助于提升代码健壮性和用户体验。本章将介绍三种参数验证策略，从基础到高级，确保输入数据的准确性。
9.1 基础参数检查
最直接的方法是在函数内部进行基本的类型检查，手动验证参数是否符合预期。
def validate_age(age):
if not isinstance(age, int) or age < 0:
raise ValueError("Age must be a positive integer.")
print(f"Valid age: {age}")
validate_age(25) # 正确
# validate_age("25") # 将引发ValueError此方法简单直接，但随着参数增多，代码会变得冗余。
9.2 使用第三方库pydantic
pydantic是一个强大的库，提供数据验证和解析功能，支持复杂的数据结构定义，自动转换和错误处理。
from pydantic import BaseModel
class User(BaseModel):
name: str
age: int = Field(..., ge=0)
def welcome_user(user_data):
user = User.parse_obj(user_data)
print(f"Welcome, {user.name}!")
welcome_user({"name": "Alice", "age": 30}) # 正确处理
# welcome_user({"name": "Bob", "age": -1}) # 将引发ValidationErrorpydantic通过声明式定义数据模型 ，自动完成复杂的验证逻辑 ，提升了代码的可读性和维护性。
9.3 自动文档生成结合参数验证
结合pydantic和自动文档生成工具如Sphinx，可以自动生成包含参数验证规则的API文档，方便团队协作和外部使用者理解。
from pydantic import BaseModel, Field
from typing import Optional
class CreateUserRequest(BaseModel):
username: str = Field(..., min_length=4, description="Username must be at least 4 characters long.")
email: str = Field(..., regex=r".+@\w+\.\w+", description="Valid email format required.")
bio: Optional[str] = Field(None, max_length=256, description="Optional short bio, max 256 characters.")
# Sphinx或其他文档生成工具可以读取这些描述和规则自动生成文档此法不仅验证了输入数据，还直接将验证规则转化为文档 ，提升了文档的准确性和一致性，减少了文档维护成本。
通过这些策略，参数验证装饰器或模型定义不仅强化了输入处理逻辑，还促进了代码的清晰度和文档的自动生成，是现代API和函数式编程不可或缺的一部分。
