# 데이터 스키마 검증 (Data Schema Validation)

데이터 스키마 검증이란 입력된 데이터가 사전에 정의된 구조(Schema)와 형식에 부합하는지 확인하는 프로세스를 말합니다. 이는 데이터의 무결성을 보장하고, 잘못된 형식의 데이터가 시스템 내부로 유입되어 발생할 수 있는 런타임 오류를 방지함으로써 전체 시스템의 안정성을 높이는 데 필수적인 단계입니다.

## 1. 개요
데이터 스키마 검증의 주된 목적은 데이터의 **신뢰성 확보**와 **예외 처리의 효율화**입니다. 특히 마이크로서비스 아키텍처(MSA)나 외부 API 연동이 많은 환경에서는 서로 다른 시스템 간의 데이터 규격을 맞추는 것이 중요하며, 검증 단계를 통해 데이터 오염을 막고 디버깅 시간을 단축할 수 있습니다.

## 2. 주요 검증 항목
효과적인 스키마 검증을 위해 일반적으로 다음과 같은 항목들을 체크합니다.

- **데이터 타입(Data Type):** 값이 정수(Integer), 문자열(String), 불리언(Boolean), 배열(Array) 등 정의된 타입과 일치하는지 확인합니다.
- **필수 값 여부(Required Fields):** 반드시 포함되어야 하는 필드가 누락되지 않았는지 검증합니다.
- **범위 및 제약 조건(Range/Constraints):** 숫자의 최소/최대값, 문자열의 최소/최대 길이, 열거형(Enum) 값의 포함 여부 등을 확인합니다.
- **형식 검증(Format/Regex):** 이메일, 전화번호, 날짜 형식 등이 정규 표현식(Regular Expression)에 부합하는지 검증합니다.

## 3. 검증 방법 및 도구

### 런타임 검증 vs 컴파일 타임 검증
| 구분 | 컴파일 타임 검증 (Static) | 런타임 검증 (Dynamic) |
| :--- | :--- | :--- |
| **시점** | 코드 빌드/컴파일 단계 | 프로그램 실행 단계 |
| **특징** | 타입 시스템(TypeScript, Java 등)을 통해 오류를 미리 발견 | 실제 입력 데이터(JSON, API 응답 등)를 실시간으로 검증 |
| **장점** | 개발 단계에서 오류 수정 가능, 실행 속도 빠름 | 외부 유입 데이터의 유효성을 확실히 보장 |

### 대표적인 검증 도구 비교
| 도구 | 언어/환경 | 특징 | 주요 용도 |
| :--- | :--- | :--- | :--- |
| **JSON Schema** | 언어 독립적 | JSON 표준 규격으로 스키마 정의 | API 명세서, 범용 데이터 검증 |
| **Pydantic** | Python | Python 타입 힌트를 이용한 강력한 검증 및 파싱 | FastAPI, 데이터 모델링 |
| **Zod** | TypeScript | 타입 추론(Type Inference) 지원, 선언적 스키마 정의 | 프론트엔드/백엔드 TS 환경 검증 |

## 4. 구현 예시

### JSON Schema 정의 예시
```json
{
  "$schema": "http://json-schema.org/draft-07/schema#",
  "type": "object",
  "properties": {
    "username": { "type": "string", "minLength": 3 },
    "age": { "type": "integer", "minimum": 0 },
    "email": { "type": "string", "format": "email" }
  },
  "required": ["username", "email"]
}
```

### Pydantic을 이용한 Python 구현 예시
```python
from pydantic import BaseModel, EmailStr, Field, ValidationError

# 1. 스키마 정의
class UserSchema(BaseModel):
    username: str = Field(..., min_length=3)
    age: int = Field(..., ge=0)
    email: EmailStr

# 2. 검증 전 데이터
raw_data = {
    "username": "JD",  # 너무 짧음 (오류 발생)
    "age": -5,         # 음수 (오류 발생)
    "email": "invalid-email" # 형식 틀림 (오류 발생)
}

# 3. 검증 실행
try:
    user = UserSchema(**raw_data)
except ValidationError as e:
    print(f"검증 실패: {e.json()}")
```

## 5. 주의 사항

- **성능 오버헤드:** 모든 요청에 대해 복잡한 스키마 검증을 수행하면 CPU 자원 소모가 증가하여 응답 속도가 느려질 수 있습니다. 검증 수준을 적절히 조절해야 합니다.
- **스키마 진화(Schema Evolution):** 서비스가 업데이트되면서 스키마가 변경될 때, 하위 호환성(Backward Compatibility)을 고려하지 않으면 기존 클라이언트에서 오류가 발생할 수 있습니다.
- **에러 메시지 설계:** 검증 실패 시 사용자나 개발자가 즉시 수정할 수 있도록 구체적이고 명확한 에러 메시지를 반환해야 합니다.