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。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
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
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
ruoyi-plus-soybeanRuoYi-Plus-Soybean 是一个现代化的企业级多租户管理系统,它结合了 RuoYi-Vue-Plus 的强大后端功能和 Soybean Admin 的现代化前端特性,为开发者提供了完整的企业管理解决方案。Vue06- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00