NSubstitute中NotASubstituteException异常的正确处理方法
在使用NSubstitute进行单元测试时,开发人员可能会遇到NotASubstituteException异常,这通常是由于对NSubstitute的API使用不当造成的。本文将通过一个实际案例,深入分析这个异常的产生原因和解决方法。
异常现象分析
在测试代码中,开发人员试图验证ISignalROrders接口的OrderDelivered方法是否被调用了一次,代码如下:
_signalROrders.OrderDelivered(Arg.Any<Guid>()).Received(1);
这段代码会抛出NotASubstituteException异常,提示"Received()方法只能在通过Substitute.For()创建的对象上调用"。
问题根源
这个异常的根本原因是开发人员错误地理解了NSubstitute的API调用顺序。NSubstitute要求Received()检查必须直接应用于替代实例本身,而不是方法调用的结果。
正确的验证方式应该是:
_signalROrders.Received(1).OrderDelivered(Arg.Any<Guid>());
技术原理
NSubstitute的工作原理是通过创建代理对象来拦截方法调用。当我们在替代对象上调用方法时,NSubstitute会记录这些调用以便后续验证。Received()方法需要直接作用于替代对象,这样才能访问NSubstitute内部记录的调用信息。
错误的调用方式实际上是在尝试对方法返回值(而不是替代对象本身)进行Received()验证,这显然是不合理的,因为方法返回值通常不是由NSubstitute创建的替代对象。
最佳实践
- 正确的调用顺序:始终将
Received()放在替代对象之后,方法调用之前 - 参数匹配:使用
Arg.Any<T>()等匹配器来灵活验证方法调用 - 调用次数验证:可以通过
Received(1)、Received(2)或DidNotReceive()来精确控制验证
总结
理解NSubstitute的API设计理念对于正确使用这个框架至关重要。Received()验证必须直接作用于替代对象,这是NSubstitute能够跟踪方法调用的关键。通过遵循正确的API调用顺序,可以避免NotASubstituteException异常,编写出更加健壮的单元测试代码。
记住这个简单的规则:先写替代对象,然后是Received(),最后才是要验证的方法调用。这种模式可以确保NSubstitute能够正确拦截和记录方法调用,从而进行有效的验证。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
Spark-Prover-X1-7BSpark-Prover 是由科大讯飞团队开发的专用大型语言模型,专为 Lean4 中的自动定理证明而设计。该模型采用创新的三阶段训练策略,显著增强了形式化推理能力,在同等规模的开源模型中实现了最先进的性能。Python00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00