<aside>

</aside>

안녕하세요! 드디어 FastAPI 강의 2부: 응답 처리 심화의 첫 시간, 10강입니다! 🥳

1부에서는 FastAPI의 기본적인 설치부터 시작해서 라우팅, 요청 데이터 처리(경로/쿼리 매개변수, 요청 본문), Pydantic을 이용한 데이터 검증, 의존성 주입, 미들웨어, CORS, 예외 처리까지 정말 많은 핵심 개념들을 배웠습니다. 여러분 정말 대단해요! 👍

이제 2부에서는 API의 또 다른 중요한 축인 **응답(Response)**을 더욱 세밀하게 다루고 제어하는 방법을 배울 거예요. 클라이언트에게 어떤 데이터를, 어떤 형식으로, 어떤 상태 코드로 전달할지 자유자재로 조절하는 기술을 익혀봅시다!

그 첫걸음으로, 이번 10강에서는 FastAPI가 기본적으로 어떻게 응답을 처리하는지(특히 JSON 응답) 복습하고, response_model 이라는 강력한 도구를 사용하여 API의 출력 데이터 구조(스키마)를 명확히 정의하고, 원하는 데이터만 선택적으로(필터링하여) 반환하는 방법을 알아봅니다. 응답 데이터를 더욱 깔끔하고 안전하게 관리하는 비결을 배워봅시다! ✨

📚 챕터 소개

이번 10강에서는 FastAPI가 경로 작동 함수에서 반환된 값을 처리하는 기본 메커니즘, 특히 자동 JSON 응답 변환에 대해 복습합니다. 딕셔너리나 리스트, Pydantic 모델 등을 반환하면 FastAPI가 자동으로 JSONResponse 형태로 만들어주는 편리한 기능이죠.

하지만 때로는 API가 반환하는 데이터의 구조를 명확하게 문서화하고 싶거나, 내부적으로 사용하는 모든 데이터를 외부에 노출하지 않고 특정 필드만 선택적으로 보내고 싶을 때가 있습니다. 이럴 때 사용하는 것이 바로 경로 작동 데코레이터의 response_model 매개변수입니다.

response_model에 Pydantic 모델을 지정하면, FastAPI는 경로 작동 함수가 값을 반환한 후에 해당 모델 스키마에 맞춰 데이터를 필터링하고 직렬화합니다. 이를 통해 민감한 정보(예: 비밀번호)를 응답에서 자동으로 제외하거나, API 문서에 정확한 응답 스키마를 명시하는 등의 이점을 얻을 수 있습니다. 이 강의에서는 response_model의 작동 원리를 이해하고 이를 활용하여 응답 데이터를 효과적으로 제어하는 방법을 실습합니다.

🎯 챕터 목표

이 강의를 마치면 여러분은 다음을 할 수 있게 됩니다:

1. FastAPI가 Python dict, list, Pydantic 모델 등을 자동으로 JSON 응답으로 변환하는 기본 동작을 설명할 수 있습니다.
2. 경로 작동 데코레이터의 response_model 매개변수를 사용하여 API의 출력 스키마를 Pydantic 모델로 명시적으로 선언할 수 있습니다.
3. response_model을 활용하여 경로 작동 함수가 반환하는 데이터에서 **원하는 필드만 선택(필터링)**하여 응답에 포함시킬 수 있습니다.
4. response_model 사용이 **API 자동 문서(Swagger UI 등)**에 어떻게 반영되어 응답 구조를 명확히 보여주는지 이해합니다.
5. 요청 본문을 위한 입력 모델과 response_model을 위한 출력 모델을 구분하여 정의하고 사용할 수 있습니다.