Mockall项目对trait-variant宏的兼容性支持
Mockall是一个强大的Rust模拟对象库,它通过automock属性宏可以自动为trait生成模拟实现。最近随着Rust 1.75版本稳定了trait中的异步函数特性,社区开始从async-trait迁移到更现代的解决方案,如trait-variant。本文将深入探讨Mockall如何支持trait-variant宏,以及开发者如何利用这一特性简化测试代码。
异步trait的模拟演进
在Rust生态中,异步trait的模拟经历了几个阶段:
-
async-trait阶段:早期通过async-trait宏将异步函数转换为返回Pin<Box>的形式。Mockall通过特殊处理,允许开发者直接返回Future的输出值,而不需要手动装箱。
-
trait-variant阶段:随着Rust 1.75稳定了trait中的异步函数,trait-variant成为新的选择。它能够为trait自动添加Send约束,使异步代码更符合人体工程学。
Mockall的兼容性实现
Mockall对trait-variant的支持体现在宏展开顺序的处理上:
// 方式一:trait-variant先展开
#[trait_variant::make(Send)]
#[automock]
pub trait Foo {
async fn foo(&self) -> i32;
}
// 测试代码需要返回装箱的Future
mock.expect_foo().returning(|| Box::pin(async { 1 }));
// 方式二:automock先展开(目前不支持)
#[automock]
#[trait_variant::make(Send)]
pub trait Foo {
async fn foo(&self) -> i32;
}
// 理想情况下的测试代码
mock.expect_foo().return_const(1);
当前Mockall已经支持第一种方式,即trait-variant宏先展开的情况。这种方式下生成的Mock结构体会自动获得Send约束,但测试代码需要手动处理Future的装箱。
技术实现细节
Mockall通过以下机制支持trait-variant:
-
宏展开顺序处理:确保trait-variant宏先于automock展开,这样生成的模拟结构体能够正确继承原始trait的所有约束。
-
Future类型处理:对于异步函数,Mockall会生成相应的Future类型处理逻辑,保持与原始trait一致的行为。
-
Send约束传播:trait-variant添加的Send约束会被自动传播到模拟实现中,保证线程安全性。
迁移建议
对于正在从async-trait迁移到trait-variant的开发者:
-
目前建议保持trait-variant宏在automock之前,虽然测试代码稍显冗长,但能确保正确性。
-
关注Mockall的更新,未来版本可能会支持更优雅的写法。
-
在迁移过程中,可以逐步更新测试代码,先确保功能正确,再优化测试表达方式。
总结
Mockall对trait-variant的支持体现了该项目紧跟Rust生态发展的承诺。虽然目前还有优化空间,但已经为开发者提供了可行的迁移路径。随着Rust异步编程模型的不断成熟,Mockall也将持续改进,为单元测试提供更强大的支持。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00