14章 pydanticによる実行時型チェック
早い段階でエラーを見つけたい（シフトレフト）
ここまでの『ロバストPython』で型チェッカの使い方を指南してきた
ユーザは不正なデータを渡す
プログラム外から渡る不正データ
読み込んだときにエラーを検知したい（14.1）
型チェッカと実行時エラーの間隙を埋めるバリデーションロジックが必要（14.3）
可読性を犠牲にせずバリデーションロジックのコード量を削減できる （14章 冒頭）
型定義を読む開発者は、そのデータ型のオブジェクトに課された制約を正確に把握できる。（14.3）
読みやすい型定義があるだけだが、実行時チェックも追加されている（IMO：一石二鳥感）
IMO：Pydanticはドメインモデルレベルで使えるものなのだろうか？（プログラム言語同様の抽象と言える？）
レストランを表すデータ型の例
PyYAMLで読み込み、データ型として持つ
TypedDictを使う案（14.1）
ユーザのデータを読み込む関数は辞書を返す（TypedDictを返すでアノテーションしただけ）
アノテーションされた関数からは、ユーザのデータが不正なら誤った辞書が返る（フィールドが足りないなど）
返ったTypedDictを使う側はキー名や値の型のバリデーションが効く
フィールドのバリデーションも辞書の利用者がやる
Pydantic（14.2）
データを読み込む関数でオブジェクト構築までする（return Restaurant(**data)）
pydanticによりオブジェクト構築時にバリデーション。読み込んだときのエラー検知が実現
バリデータ
constr
何文字以上・以下
正規表現にマッチした文字列
conlist
要素数の制約
@validator("属性名")
Pydanticはパースライブラリ
出るものが正しいことを保証する
入力に制限を加えるにはstrictフィールドを使う
不変式（10章参照）まわり
pydanticのdataclassデコレータ、つまりデータクラス
pydanticを使えば、特殊メソッド__init__()を呼び出したり、フィールドを設定したりする場合も含めて不変式を守れる
データクラスとクラスの間隙も埋める
著者の主張として、フィールドに相互依存があればデータクラスではなくクラスを使うべき