pytest.mark.parametrize要求参数在定义时即可求值，故传变量会报错；应使用列表/元组、pytest_generate_tests钩子或fixture替代。
pytest.mark.parametrize 接收变量而非字面量时为什么报错
直接把未计算的变量传给 pytest.mark.parametrize 会触发 TypeError: <lambda> is not a valid parameter set</lambda> 或类似错误，因为装饰器在函数定义阶段就执行，此时变量可能未定义、是闭包外的动态值，或类型不符合要求（比如传了生成器而非列表）。
根本原因是：装饰器参数必须在测试函数被 Python 解析时就可求值，不能依赖运行时逻辑。
- 确保数据源在测试模块顶层或 fixture 中已完全构造为
list或tuple - 避免传
range(10)、map(...)、itertools.product(...)等惰性对象，先转成list - 若数据来自文件或 DB，必须在导入时加载完毕（如用模块级变量 +
if __name__ == "__main__"风格预热），不能在装饰器里调函数
用 pytest_generate_tests hook 动态注入参数
这是官方支持的、真正“动态”的方式：在 pytest 收集测试前，通过钩子函数按需生成参数组合。它绕过装饰器限制，允许运行时逻辑（如读配置、查环境变量、调 API）。
在 conftest.py 中定义：
def pytest_generate_tests(metafunc):
if "user_id" in metafunc.fixturenames and "env" in metafunc.fixturenames:
# 比如从环境变量决定测试哪些用户
env = metafunc.config.getoption("--env", default="staging")
user_data = {
"dev": [101, 102],
"staging": [201, 202, 203],
"prod": [301] # 仅跑一个防风险
}.get(env, [])
metafunc.parametrize("user_id", user_data)
metafunc.parametrize("env", [env])
- 钩子只对含指定 fixture 名的测试函数生效，避免全局污染
- 参数名必须与 fixture 名一致，且 fixture 函数需存在（哪怕空实现）
- 不支持直接 parametrize 多个维度的笛卡尔积，需手动
itertools.product后 unpack
在 fixture 中延迟生成数据并返回
当数据依赖运行时状态（如临时目录、启动的服务端口、随机 token），不适合提前写死在 parametrize 里，应改用 fixture 封装逻辑。
例如需要为每个测试生成唯一时间戳前缀：
@pytest.fixture(params=[f"test_{int(time.time())}_{i}" for i in range(3)])
def unique_prefix(request):
return request.param
<p>def test_something(unique_prefix):
assert unique<em>prefix.startswith("test</em>")
</p>
注意：这里 params= 仍是模块级表达式，但用了 time.time() —— 实际上这会在导入时执行一次，所有参数共享同一时间戳。真要每轮不同，得用 pytest_generate_tests 或让 fixture 自己生成：
- 把
params设为占位符（如range(3)），在 fixture 内部用request.param触发实时计算 - 或彻底放弃 parametrize，用
for循环 +pytest.skip()控制分支，但会丢失独立测试粒度
常见陷阱：中文、特殊字符、嵌套结构导致的参数名冲突
pytest 默认用参数值的 repr() 生成测试 ID，遇到中文、换行、斜杠、控制字符时，ID 可能非法或难以阅读，甚至导致 pytest-xdist 分发失败。
务必显式指定 ids 参数：
@pytest.mark.parametrize(
"filename,content",
[
("中文.txt", "你好"),
("test.json", '{"a": 1}'),
],
ids=["chinese_filename", "json_content"] # 手动命名，避开 repr 问题
)
def test_read_file(filename, content):
...
- 如果数据量大，用函数生成
ids：ids=lambda x: f"case_{hash(x) % 1000}" - 嵌套 dict/list 作为参数值时，pytest 无法自动 deep-compare，断言需用
assert a == b而非assert a is b - 参数含
None、float('nan')时，ids函数必须能处理，否则收集阶段就崩溃
动态生成的关键不在“怎么写”，而在于分清场景：静态可预知的数据走 parametrize + 列表；依赖运行时上下文的，必须用 pytest_generate_tests；需要每个测试实例隔离状态的，交给 fixture 处理。三者混用时，ID 命名和错误堆栈定位最容易被忽略。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
