


Mockito - Meneroka Perbezaan Antara doReturn() dan when() untuk Mengejek
Apabila memanfaatkan kuasa Mockito dalam aplikasi Spring MVC, pembangun sering menghadapi persamaan antara doReturn(...).when(...) dan apabila(...).kemudianKembali(...). Ini mencetuskan persoalan mengapa kedua-dua kaedah ini wujud, memandangkan kesetaraan yang jelas.
Walaupun kedua-dua pendekatan menghasilkan hasil yang sama dengan olok-olok yang dianotasi dengan @Mock, perbezaan halus muncul apabila menggunakan objek intipan yang dianotasi dengan @Spy. Tidak seperti when(...).thenReturn(...), yang melaksanakan panggilan kaedah sebenar sebelum mengembalikan nilai yang ditentukan, doReturn(...) memintas panggilan kaedah sepenuhnya.
Perbezaan ini menjadi penting apabila berurusan dengan objek intipan yang mempunyai kaedah yang membuang pengecualian. Sebagai contoh, pertimbangkan kelas berikut dengan dua kaedah:
public class MyClass { protected String methodToBeTested() { return anotherMethodInClass(); } protected String anotherMethodInClass() { throw new NullPointerException(); } }
Dalam kelas ujian:
@Spy private MyClass myClass; // ... // Executes methodToBeTested() and swallows the NullPointerException doReturn("test").when(myClass).anotherMethodInClass(); // Throws NullPointerException without executing methodToBeTested() when(myClass.anotherMethodInClass()).thenReturn("test");
Seperti yang ditunjukkan, doReturn(...) membenarkan anda mengawal nilai pulangan tanpa mencetuskan pelaksanaan kaedah, manakala apabila(...) melaksanakan kaedah terlebih dahulu dan hanya kemudian memberikan hasil yang ditentukan. Perbezaan halus ini membolehkan kawalan yang lebih besar ke atas ejekan objek dan pengurusan pengecualian, menjadikan doReturn(...) sebagai pilihan yang diutamakan apabila berurusan dengan objek intipan yang mungkin membuang pengecualian.
Atas ialah kandungan terperinci Mockito: `doReturn()` lwn. `when()` – Bilakah Saya Harus Gunakan Yang Mana untuk Mengejek?. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Artikel ini menganalisis empat kerangka JavaScript teratas (React, Angular, Vue, Svelte) pada tahun 2025, membandingkan prestasi, skalabilitas, dan prospek masa depan mereka. Walaupun semuanya kekal dominan kerana komuniti dan ekosistem yang kuat, popul mereka yang relatif

Artikel ini menangani kelemahan CVE-2022-1471 dalam Snakeyaml, kecacatan kritikal yang membolehkan pelaksanaan kod jauh. Ia memperincikan bagaimana peningkatan aplikasi boot musim bunga ke snakeyaml 1.33 atau lebih lama mengurangkan risiko ini, menekankan bahawa kemas kini ketergantungan

Node.js 20 dengan ketara meningkatkan prestasi melalui penambahbaikan enjin V8, terutamanya pengumpulan sampah yang lebih cepat dan I/O. Ciri -ciri baru termasuk sokongan webassembly yang lebih baik dan alat penyahpepijatan halus, meningkatkan produktiviti pemaju dan kelajuan aplikasi.

Artikel ini membincangkan pelaksanaan caching pelbagai peringkat di Java menggunakan kafein dan cache jambu untuk meningkatkan prestasi aplikasi. Ia meliputi persediaan, integrasi, dan faedah prestasi, bersama -sama dengan Pengurusan Dasar Konfigurasi dan Pengusiran PRA Terbaik

Kelas kelas Java melibatkan pemuatan, menghubungkan, dan memulakan kelas menggunakan sistem hierarki dengan bootstrap, lanjutan, dan pemuat kelas aplikasi. Model delegasi induk memastikan kelas teras dimuatkan dahulu, yang mempengaruhi LOA kelas tersuai

Artikel ini meneroka kaedah untuk berkongsi data antara langkah -langkah timun, membandingkan konteks senario, pembolehubah global, lulus argumen, dan struktur data. Ia menekankan amalan terbaik untuk mengekalkan, termasuk penggunaan konteks ringkas, deskriptif

Artikel ini meneroka mengintegrasikan pengaturcaraan berfungsi ke dalam Java menggunakan ekspresi Lambda, API Streams, rujukan kaedah, dan pilihan. Ia menyoroti faedah seperti kebolehbacaan dan kebolehkerjaan kod yang lebih baik melalui kesimpulan dan kebolehubahan

Iceberg, format meja terbuka untuk dataset analitik yang besar, meningkatkan prestasi data dan skalabiliti. Ia menangani batasan parket/orc melalui pengurusan metadata dalaman, membolehkan evolusi skema yang cekap, perjalanan masa, serentak w


Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

AI Hentai Generator
Menjana ai hentai secara percuma.

Artikel Panas

Alat panas

EditPlus versi Cina retak
Saiz kecil, penyerlahan sintaks, tidak menyokong fungsi gesaan kod

MinGW - GNU Minimalis untuk Windows
Projek ini dalam proses untuk dipindahkan ke osdn.net/projects/mingw, anda boleh terus mengikuti kami di sana. MinGW: Port Windows asli bagi GNU Compiler Collection (GCC), perpustakaan import yang boleh diedarkan secara bebas dan fail pengepala untuk membina aplikasi Windows asli termasuk sambungan kepada masa jalan MSVC untuk menyokong fungsi C99. Semua perisian MinGW boleh dijalankan pada platform Windows 64-bit.

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

PhpStorm versi Mac
Alat pembangunan bersepadu PHP profesional terkini (2018.2.1).

SublimeText3 Linux versi baharu
SublimeText3 Linux versi terkini