Strategi Pengujian Python yang hebat untuk Meningkatkan Kualiti Kod

Sebagai pembangun Python, saya mendapati bahawa melaksanakan strategi ujian yang mantap adalah penting untuk mengekalkan kualiti dan kebolehpercayaan kod. Selama bertahun-tahun, saya telah meneroka pelbagai teknik dan alatan yang telah meningkatkan amalan ujian saya dengan ketara. Izinkan saya berkongsi pandangan saya tentang lapan strategi ujian Python yang berkuasa yang boleh membantu meningkatkan kualiti kod anda.

Pytest ialah rangka kerja ujian pilihan saya kerana kesederhanaan dan kebolehlanjutannya. Sistem lekapannya amat berkuasa, membolehkan saya menyediakan dan meruntuhkan persekitaran ujian dengan cekap. Berikut ialah contoh cara saya menggunakan lekapan:

import pytest

@pytest.fixture
def sample_data():
    return [1, 2, 3, 4, 5]

def test_sum(sample_data):
    assert sum(sample_data) == 15

def test_length(sample_data):
    assert len(sample_data) == 5

Ciri parametrisasi Pytest ialah satu lagi permata. Ia membolehkan saya menjalankan ujian yang sama dengan berbilang input, mengurangkan pertindihan kod:

import pytest

@pytest.mark.parametrize("input,expected", [
    ("hello", 5),
    ("python", 6),
    ("testing", 7)
])
def test_string_length(input, expected):
    assert len(input) == expected

Ekosistem pemalam pytest adalah luas dan menawarkan penyelesaian untuk pelbagai keperluan ujian. Salah satu kegemaran saya ialah pytest-cov untuk analisis liputan kod.

Ujian berasaskan harta dengan perpustakaan hipotesis telah menjadi pengubah permainan dalam pendekatan ujian saya. Ia menjana kes ujian secara automatik, selalunya mendedahkan kes tepi yang saya tidak sangka:

from hypothesis import given, strategies as st

@given(st.lists(st.integers()))
def test_sum_of_list_is_positive(numbers):
    assert sum(numbers) >= 0 or sum(numbers) < 0

Mengejek dan menampal ialah teknik penting untuk mengasingkan unit kod semasa ujian. Modul unittest.mock menyediakan alatan berkuasa untuk tujuan ini:

from unittest.mock import patch

def get_data_from_api():
    # Actual implementation would make an API call
    pass

def process_data(data):
    return data.upper()

def test_process_data():
    with patch('__main__.get_data_from_api') as mock_get_data:
        mock_get_data.return_value = "test data"
        result = process_data(get_data_from_api())
        assert result == "TEST DATA"

Mengukur liputan kod adalah penting untuk mengenal pasti bahagian asas kod anda yang belum diuji. Saya menggunakan coverage.py bersama-sama dengan pytest untuk menjana laporan liputan komprehensif:

# Run tests with coverage
# pytest --cov=myproject tests/

# Generate HTML report
# coverage html

Pembangunan dipacu tingkah laku (BDD) dengan tingkah laku telah membantu saya merapatkan jurang antara pihak berkepentingan teknikal dan bukan teknikal. Ujian menulis dalam bahasa semula jadi meningkatkan komunikasi dan pemahaman:

# features/calculator.feature
Feature: Calculator
  Scenario: Add two numbers
    Given I have entered 5 into the calculator
    And I have entered 7 into the calculator
    When I press add
    Then the result should be 12 on the screen

# steps/calculator_steps.py
from behave import given, when, then
from calculator import Calculator

@given('I have entered {number:d} into the calculator')
def step_enter_number(context, number):
    if not hasattr(context, 'calculator'):
        context.calculator = Calculator()
    context.calculator.enter_number(number)

@when('I press add')
def step_press_add(context):
    context.result = context.calculator.add()

@then('the result should be {expected:d} on the screen')
def step_check_result(context, expected):
    assert context.result == expected

Ujian prestasi sering diabaikan, tetapi ini penting untuk mengekalkan kod yang cekap. Saya menggunakan pytest-tanda aras untuk mengukur dan membandingkan masa pelaksanaan:

def fibonacci(n):
    if n < 2:
        return n
    return fibonacci(n-1) + fibonacci(n-2)

def test_fibonacci_performance(benchmark):
    result = benchmark(fibonacci, 10)
    assert result == 55

Ujian mutasi dengan alatan seperti mutmut telah membuka mata dalam menilai kualiti suite ujian saya. Ia memperkenalkan perubahan kecil (mutasi) pada kod dan menyemak sama ada ujian menangkap perubahan ini:

mutmut run --paths-to-mutate=myproject/

Integrasi dan ujian hujung ke hujung adalah penting untuk memastikan bahagian sistem yang berlainan berfungsi bersama dengan betul. Untuk aplikasi web, saya sering menggunakan Selenium:

from selenium import webdriver
from selenium.webdriver.common.keys import Keys

def test_search_in_python_org():
    driver = webdriver.Firefox()
    driver.get("http://www.python.org")
    assert "Python" in driver.title
    elem = driver.find_element_by_name("q")
    elem.clear()
    elem.send_keys("pycon")
    elem.send_keys(Keys.RETURN)
    assert "No results found." not in driver.page_source
    driver.close()

Mengatur ujian dengan berkesan adalah penting untuk mengekalkan suite ujian yang sihat, terutamanya dalam projek besar. Saya mengikuti struktur yang mencerminkan kod aplikasi utama:

myproject/
    __init__.py
    module1.py
    module2.py
    tests/
        __init__.py
        test_module1.py
        test_module2.py

Integrasi Berterusan (CI) memainkan peranan penting dalam strategi ujian saya. Saya menggunakan alatan seperti Jenkins atau GitHub Actions untuk menjalankan ujian secara automatik pada setiap komit:

import pytest

@pytest.fixture
def sample_data():
    return [1, 2, 3, 4, 5]

def test_sum(sample_data):
    assert sum(sample_data) == 15

def test_length(sample_data):
    assert len(sample_data) == 5

Mengekalkan suite ujian yang sihat memerlukan perhatian yang kerap. Saya menyemak dan mengemas kini ujian secara berkala, mengalih keluar ujian yang lapuk dan menambah ujian baharu untuk ciri baharu atau pepijat yang ditemui. Saya juga berusaha untuk memastikan masa pelaksanaan ujian munasabah, selalunya memisahkan ujian unit pantas daripada ujian penyepaduan yang lebih perlahan.

Pembangunan dipacu ujian (TDD) telah menjadi sebahagian daripada aliran kerja saya. Ujian menulis sebelum melaksanakan ciri membantu saya menjelaskan keperluan dan mereka bentuk antara muka yang lebih baik:

import pytest

@pytest.mark.parametrize("input,expected", [
    ("hello", 5),
    ("python", 6),
    ("testing", 7)
])
def test_string_length(input, expected):
    assert len(input) == expected

Ujian fuzz ialah satu lagi teknik yang saya dapati berharga, terutamanya untuk fungsi penghuraian input dan pemprosesan. Ia melibatkan penyediaan input rawak atau tidak dijangka untuk mencari potensi kelemahan atau pepijat:

from hypothesis import given, strategies as st

@given(st.lists(st.integers()))
def test_sum_of_list_is_positive(numbers):
    assert sum(numbers) >= 0 or sum(numbers) < 0

Berurusan dengan kebergantungan luar dalam ujian boleh menjadi mencabar. Saya sering menggunakan suntikan pergantungan untuk menjadikan kod saya lebih boleh diuji:

from unittest.mock import patch

def get_data_from_api():
    # Actual implementation would make an API call
    pass

def process_data(data):
    return data.upper()

def test_process_data():
    with patch('__main__.get_data_from_api') as mock_get_data:
        mock_get_data.return_value = "test data"
        result = process_data(get_data_from_api())
        assert result == "TEST DATA"

Pengujian kod tak segerak telah menjadi semakin penting dengan peningkatan pengaturcaraan async dalam Python. Pemalam pytest-asyncio sangat berharga untuk ini:

# Run tests with coverage
# pytest --cov=myproject tests/

# Generate HTML report
# coverage html

Menguji pengendalian ralat dan kes tepi adalah penting untuk kod yang mantap. Saya pastikan anda memasukkan ujian untuk pengecualian yang dijangkakan dan syarat sempadan:

# features/calculator.feature
Feature: Calculator
  Scenario: Add two numbers
    Given I have entered 5 into the calculator
    And I have entered 7 into the calculator
    When I press add
    Then the result should be 12 on the screen

Lekapan berparameter dalam pytest membolehkan persediaan ujian yang lebih fleksibel dan boleh digunakan semula:

# steps/calculator_steps.py
from behave import given, when, then
from calculator import Calculator

@given('I have entered {number:d} into the calculator')
def step_enter_number(context, number):
    if not hasattr(context, 'calculator'):
        context.calculator = Calculator()
    context.calculator.enter_number(number)

@when('I press add')
def step_press_add(context):
    context.result = context.calculator.add()

@then('the result should be {expected:d} on the screen')
def step_check_result(context, expected):
    assert context.result == expected

Untuk ujian yang bergantung kepada pangkalan data, saya menggunakan pangkalan data dalam memori atau mencipta pangkalan data sementara untuk memastikan pengasingan dan kelajuan ujian:

def fibonacci(n):
    if n < 2:
        return n
    return fibonacci(n-1) + fibonacci(n-2)

def test_fibonacci_performance(benchmark):
    result = benchmark(fibonacci, 10)
    assert result == 55

Ujian regresi visual telah berguna untuk menangkap perubahan UI yang tidak dijangka dalam aplikasi web. Alat seperti pytest-playwright digabungkan dengan perpustakaan perbandingan visual boleh mengautomasikan proses ini:

mutmut run --paths-to-mutate=myproject/

Melaksanakan strategi ujian ini telah meningkatkan kualiti dan kebolehpercayaan projek Python saya dengan ketara. Adalah penting untuk diingat bahawa ujian adalah proses yang berterusan, dan strategi khusus yang anda gunakan harus berubah mengikut keperluan projek anda. Semakan kerap dan penghalusan pendekatan ujian anda akan membantu memastikan pangkalan kod anda kekal teguh dan boleh diselenggara dari semasa ke semasa.

---

101 Buku

101 Buku ialah syarikat penerbitan dipacu AI yang diasaskan bersama oleh pengarang Aarav Joshi. Dengan memanfaatkan teknologi AI termaju, kami memastikan kos penerbitan kami sangat rendah—sesetengah buku berharga serendah $4—menjadikan pengetahuan berkualiti boleh diakses oleh semua orang.

Lihat buku kami Kod Bersih Golang tersedia di Amazon.

Nantikan kemas kini dan berita menarik. Apabila membeli-belah untuk buku, cari Aarav Joshi untuk mencari lebih banyak tajuk kami. Gunakan pautan yang disediakan untuk menikmati diskaun istimewa!

Ciptaan Kami

Pastikan anda melihat ciptaan kami:

Pusat Pelabur | Pelabur Central Spanish | Pelabur Jerman Tengah | Hidup Pintar | Epos & Gema | Misteri Membingungkan | Hindutva | Pembangunan Elit | Sekolah JS

---

Kami berada di Medium

Tech Koala Insights | Dunia Epok & Gema | Medium Pusat Pelabur | Medium Misteri Membingungkan | Sains & Zaman Sederhana | Hindutva Moden

Atas ialah kandungan terperinci Strategi Pengujian Python yang hebat untuk Meningkatkan Kualiti Kod. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!