Параметризованное модульное тестирование в Python: руководство по созданию динамических тестов

При разработке программного обеспечения тестирование играет решающую роль в обеспечении надежности и точность нашего кода. Модульное тестирование, в частности, предполагает создание отдельных тестов для конкретных функций или модулей. Однако при работе с большими наборами данных или сложными сценариями тестирования становится утомительно вручную писать тесты для каждого параметра.

Параметризованное тестирование: решение для динамической генерации тестов

Параметризованное тестирование, также известное как параметризованное модульное тестирование, решает эту проблему путем автоматизации процесса генерации тестов на основе входных параметров. Он позволяет нам выполнять один тест для нескольких наборов данных, при этом параметры теста динамически подставляются во время выполнения.

Инструменты и методы для параметризации

Python предоставляет широкий диапазон инструментов и библиотек для параметризации. К ним относятся:

1. Декоратор pytest:
pytest предлагает удобный декоратор @pytest.mark.parameterize, который упрощает параметризацию. Это позволяет нам передавать список кортежей, содержащих тестовые параметры, а декоратор расширяет тест для каждого набора значений.

Пример:

import pytest

@pytest.mark.parametrize("name, a, b", [
    ("foo", "a", "a"),
    ("bar", "a", "b"),
    ("lee", "b", "b"),
])
def test_sequence(name, a, b):
    assert a == b

2. параметризованная библиотека:
Параметризованная библиотека предоставляет альтернативный подход к параметризации. Это позволяет нам использовать декоратор @parameterized.expand для указания тестовых параметров в виде списков или генераторов.

Пример:

from parameterized import parameterized

class TestSequence(unittest.TestCase):

    @parameterized.expand([
        ("foo", "a", "a"),
        ("bar", "a", "b"),
        ("lee", "b", "b"),
    ])
    def test_sequence(self, name, a, b):
        self.assertEqual(a, b)

Преимущества параметризованного тестирования:

• Сокращение усилий по тестированию: Устраняет необходимость писать отдельно тесты для каждой комбинации параметров, что экономит время и усилия.
• Улучшенный тест Охват: Тестируя все возможные значения параметров, он обеспечивает всестороннее тестовое покрытие и снижает риск пропуска крайних случаев.
• Тестирование на основе данных: Облегчает тестирование сложных сценариев, в которых сами данные определяют поведение тестирования.
• Эффективность и масштабируемость: Автоматизированный процесс создания тестов делает тестирование более эффективным и масштабируемым, особенно для большие наборы данных.

Устаревший подход:

В историческом контексте мы можем упомянуть более старый подход, который предполагает использование динамического создания классов для генерации тестов:

Пример:

import unittest

l = [["foo", "a", "a",], ["bar", "a", "b"], ["lee", "b", "b"]]

class TestSequense(unittest.TestCase):
    pass

def test_generator(a, b):
    def test(self):
        self.assertEqual(a,b)
    return test

if __name__ == '__main__':
    for t in l:
        test_name = 'test_%s' % t[0]
        test = test_generator(t[1], t[2])
        setattr(TestSequense, test_name, test)
    unittest.main()

Этот устаревший подход менее распространен в современной разработке на Python из-за доступности более эффективных и удобных инструментов параметризации.