No por sí solo. Pydantic v2 valida, transforma y serializa datos de la aplicación, pero un modelo BaseModel no crea ni mantiene una tabla SQLite. Puedes reducir la repetición usando SQLModel, que declara tablas en clases y las crea mediante SQLAlchemy; o conservar sqlite3 y escribir el SQL explícitamente. En ambos casos, los cambios de esquema de una base ya existente requieren una estrategia de migración.
Qué significa usar Pydantic como esquema
Un modelo Pydantic define la forma de los datos que maneja tu aplicación mediante campos, tipos y restricciones. Al validar una entrada, Pydantic puede convertirla en una instancia normalizada; también puede serializarla y generar JSON Schema. La documentación oficial lo expresa así: “Pydantic is primarily a parsing and transformation library, not a validation library.” (Documentación de modelos de Pydantic).
As an Amazon Associate I earn from qualifying purchases.
Ese esquema describe datos para la aplicación y para herramientas que entienden JSON Schema. No es una instrucción DDL de SQLite: model_json_schema() no genera CREATE TABLE. Para almacenar esos datos necesitas SQL explícito o una capa de persistencia que traduzca modelos a operaciones SQL.
Qué capa define la tabla y cuál valida los datos
Conviene separar tres responsabilidades que a menudo se confunden:
#1 Best Overall
- Validación y transformación: Pydantic comprueba y normaliza los valores que pasan por el código de la aplicación.
- Persistencia:
sqlite3, SQLAlchemy u otra capa ejecuta consultas y conecta los valores con filas de la base. - Esquema persistente: SQL DDL explícito o metadatos de una ORM definen columnas, claves y restricciones de la tabla.
Son defensas complementarias. La validación de Pydantic ayuda a ofrecer errores útiles antes de guardar; las restricciones SQLite protegen los datos almacenados incluso si una escritura llega por otro camino de código. Por ejemplo, una tabla puede requerir clave primaria o impedir valores NULL, con independencia de cómo la aplicación validó una entrada.
Elige entre SQL explícito y SQLModel
| Criterio | sqlite3 + SQL |
SQLModel / SQLAlchemy |
|---|---|---|
| Control de consultas | Escribes y ejecutas SQL explícitamente; tienes control directo sobre las consultas. | Declaras modelos y una capa genera o ejecuta SQL. |
| Abstracción | Menor: conectas filas y modelos por tu cuenta. | Mayor: trabajas con modelos de tabla, metadatos y, según el patrón, engine o sesiones. |
| Papel de Pydantic | Valida entradas o resultados que conviertes para el modelo. | SQLModel ofrece modelos de datos y modelos de tabla; no es lo mismo que usar un BaseModel aislado. |
| Creación inicial | Escribes el DDL SQL. | El tutorial oficial crea tablas con SQLModel.metadata.create_all(engine). |
| Cambios en producción | Versionas y ejecutas los cambios SQL. | Adoptas una herramienta de migraciones cuando cambia el esquema; create_all() no sustituye ese proceso. |
No hay un ganador universal. La elección depende de cuánto SQL directo necesitas, la complejidad de las consultas, la familiaridad del equipo con las ORM y cómo probarás y migrarás la base.
Rank #2
Usar Pydantic con sqlite3
Este enfoque mantiene el control en tus manos: creas la tabla con SQL, ejecutas consultas parametrizadas mediante la biblioteca estándar de Python y validas los datos al entrar o salir de la aplicación. Pydantic reduce la duplicación en la validación, pero no elimina ni el DDL ni las consultas que ejecuta SQLite.
What’s actually slowing this PC down?
Pick the symptom - the matching free tool is one click away.
Por defecto, las filas obtenidas con sqlite3 son tuplas. Si prefieres acceder a columnas por nombre, configura sqlite3.Row como fábrica de filas; también puedes definir una fábrica propia. Al establecer Connection.row_factory, los cursores creados por esa conexión comparten esa configuración. Consulta la documentación oficial de sqlite3.
Rank #3
Declarar tablas con SQLModel
SQLModel se apoya en SQLAlchemy y ofrece clases pensadas para representar datos y tablas. En su tutorial oficial de creación de bases y tablas, una clase marcada con table=True representa una tabla; opciones como Field(..., primary_key=True) describen detalles de persistencia. Después, SQLModel.metadata.create_all(engine) crea las tablas declaradas.
La distinción entre modelo de datos y modelo de tabla importa. Un campo opcional cuyo valor puede ser None puede corresponder a una columna que permita NULL, pero las reglas de persistencia se expresan en el modelo de tabla, no aparecen automáticamente por usar cualquier clase Pydantic.
Usar SQLAlchemy u otra capa existente
Si tu proyecto ya usa SQLAlchemy, puedes dejar ahí la definición persistente y mantener Pydantic para los contratos de entrada y salida. SQLModel también traduce sus tablas a operaciones SQL mediante SQLAlchemy. Lo que no ocurre es que una clase Pydantic pura reemplace ambas capas sin configuración ni herramientas de persistencia.
El recorrido de los datos, de la entrada a SQLite
El flujo es más fácil de razonar si separas cada paso:
Best Value
- Validar: convierte el diccionario recibido en una instancia Pydantic; por ejemplo, con
MiModelo.model_validate(datos). - Persistir: ejecuta un
INSERTparametrizado consqlite3o entrega los datos a la capa SQL/ORM que usa tu aplicación. - Definir y evolucionar el esquema: crea la tabla con DDL o con los metadatos de SQLModel y aplica migraciones versionadas cuando la estructura cambie.
Así puedes usar un modelo Pydantic como contrato común para validar, sin atribuirle la creación de tablas que corresponde a otra capa.
Qué cambia al actualizar ejemplos de Pydantic v1 a v2
En Pydantic v2, los métodos actuales incluyen model_validate() para validar objetos, model_dump() para obtener una representación de diccionario y model_json_schema() para generar JSON Schema. En v1 se usaban APIs relacionadas como parse_obj(), dict() y schema(). Para validar contenido JSON existe model_validate_json(). Consulta la guía oficial de migración de Pydantic v2 al adaptar ejemplos, ya que algunos comportamientos también pueden variar.
Por qué create_all() no basta para evolucionar una base
SQLModel.metadata.create_all(engine) sirve para crear las tablas declaradas en ejemplos sencillos. No significa que una base existente se actualice de forma segura cada vez que cambia una clase Python. Añadir o quitar columnas o tablas, o cambiar tipos, son modificaciones del esquema que deben planificarse y desplegarse como migraciones. El tutorial oficial de SQLModel recomienda un sistema de migraciones para aplicaciones de producción cuando cambia la estructura.
Free tools Windows power users keep installed
One-click scans. No signup required.
Por tanto, una capa declarativa puede reducir el SQL repetitivo de la creación inicial, pero no elimina la necesidad de controlar y versionar los cambios. La herramienta concreta depende de la arquitectura existente; verifica también la compatibilidad de las versiones de tus dependencias y de SQLite antes de aplicar instrucciones a un proyecto real.
Quick Recap
Product prices and availability are accurate as of the date/time indicated and are subject to change. Any price and availability information displayed on Amazon at the time of purchase will apply.
