استخدام Pydantic لتعريف شجرة التعبيرات البولينية

تُعتبر صياغة التعابير المنطقية باستخدام Pydantic من الأدوات المهمة في تطوير البرمجيات بلغة بايثون. يُمكن استخدام مكتبة Pydantic لتعريف نماذج مخصصة تُساعد على بناء شجرة تحليل الشروط (AST) للتعبيرات المنطقية. في هذا المقال، سنتناول كيفية استخدام Pydantic لتحديد النماذج المطلوبة لبناء AST للتعبيرات المنطقية، مما يسهل من عملية التحقق من صحة البيانات ويمكّن المطورين من كتابة كود أنظف وأكثر موثوقية.

ما هي Pydantic وكيف تساعد في إنشاء AST؟

Pydantic هي مكتبة بلغة بايثون تُستخدم لتسهيل عملية التحقق من صحة البيانات. من خلال استخدام Pydantic، يُمكن للمطورين تعريف نماذج البيانات بسهولة مع خصائص التحقق المدمجة، مما يسهل من تنفيذ الشروط اللازمة في تطبيقاتهم. عند التعامل مع التعابير المنطقية، يُمكن تعريف نماذج تمثل الشروط المختلفة، مما يساعد على بناء شجرة تحليل تعبير الشرط (AST).

تعريف النماذج الأساسية باستخدام Pydantic

عند بدء العمل مع نماذج الشروط، يمكن تعريف نموذج بسيط يمثل شرطًا على عمود في قاعدة البيانات. على سبيل المثال، يتم استخدام نموذج ColumnCondition لتحديد الخصائص المطلوبة مثل اسم العمود وعامل الشرط والقيمة:

from pydantic import BaseModel, Field
from typing import Literal, Optional, Union
class ColumnCondition(BaseModel):
    tag: Literal["ColumnCondition"] = "ColumnCondition"
    column: str = Field(..., title="اسم العمود المطلوب تطبيق الشرط عليه.")
    operator: Literal["==", "!=", ">", "<", ">=", "<="] = Field(..., title="عامل الشرط.")
    value: Optional[Union[str, int, float]] = Field(None, title="القيمة المراد مقارنة العمود بها.")

هذا النموذج يحدد شرطًا يتضمن اسم العمود، عامل الشرط، والقيمة، مما يسهل عملية القراءة والفهم.

تنظيم الشروط المعقدة باستخدام Pydantic

مع وجود شروط أكثر تعقيدًا، يُمكننا تنظيم الشروط باستخدام نماذج أكثر تقدمًا مثل AndCondition. هذا النموذج يمكن أن يحتوي على قائمة من الشروط التي يجب أن تستوفيها البيانات:

class AndCondition(BaseModel):
    tag: Literal["AndCondition"] = "AndCondition"
    conditions: list[Union[ColumnCondition, 'AndCondition']]

يمكن أن يحوي هذا النموذج قائمة من الشروط، مما يمكّن المطورين من بناء شروط منطقية أكثر تعقيدًا مع استخدام Pydantic.

التأكد من صحة البيانات وتحسين الأداء

لزيادة دقة التحقق من البيانات، يُمكن تحديث نموذج ColumnCondition لتحديد نوع بيانات العمود أيضًا، مما يساعد على تجنب الأخطاء المتعلقة بمقارنات غير صحيحة بين الأنواع:

class ColumnCondition(BaseModel):
    tag: Literal["ColumnCondition"] = "ColumnCondition"
    column: str = Field(..., title="اسم العمود المطلوب تطبيق الشرط عليه.")
    column_type: Literal["int", "float", "str"] = Field(..., title="نوع بيانات العمود.")
    operator: Literal["==", "!=", ">", "<", ">=", "<="] = Field(..., title="عامل الشرط.")
    value: Union[int, float, str] = Field(..., title="القيمة المراد مقارنة العمود بها.")

بهذه الطريقة، سيكون هناك تحققات إضافية تضمن صحة البيانات وفقًا لنوعها المطلوب.

إنشاء الاستعلامات من شجرة التحليل

بعد تأكيد صحة البيانات، يُمكن استخدام طرق خاصة لتحويل الشجرة إلى سلسلة استعلامات SQL أو أي صيغة أخرى مطلوبة. يمكن تحقيق ذلك من خلال إعادة تعريف الدالة __str__ في النماذج:

class ColumnCondition(BaseModel):
    # الحقول الموجودة...
    def __str__(self):
        return f"{self.column} {self.operator} {repr(self.value)}"
class AndCondition(BaseModel):
    # الحقول الموجودة...
    def __str__(self):
        return " AND ".join([str(cond) for cond in self.conditions])

باستخدام هذه الأساليب، يمكن بناء سلسلة استعلامات بنقرة واحدة فقط، مما يسهل الحصول على البيانات المطلوبة من قاعدة البيانات.

استنتاج

استخدام مكتبة Pydantic لتعريف شجرة تحليل التعبيرات المنطقية هو نهج فعّال في تطوير تطبيقات بايثون. من خلال إنشاء نماذج مخصصة للتعبيرات الشرطية، يمكن تحسين عملية التحقق من صحة البيانات، مما يؤدي إلى تقليل الأخطاء وتحسين جودة الكود. سواء كنت تتعامل مع شروط بسيطة أو معقدة، توفر لك Pydantic القوة والمرونة اللازمة لبناء تطبيقات قوية وموثوقة.