NSubstitute中模拟受保护方法的正确姿势
问题背景
在使用NSubstitute进行单元测试时,开发者经常会遇到需要模拟基类中受保护方法(protected method)的情况。本文通过一个典型场景,深入分析如何正确使用NSubstitute来测试包含受保护方法的类。
典型场景分析
考虑以下代码结构:
public abstract class BaseClass {
protected virtual async Task<ApiResult<string>> DownloadFile(string path1, string path2) {
// 默认实现
}
}
public class SomeClass : BaseClass {
public async Task<string?> Download(string path1, string path2) {
var result1 = await DownloadFile(path1, path2); // 第一次调用
var result2 = await DownloadFile(path1, path2); // 第二次调用
return result2.Value;
}
}
在测试中,开发者尝试使用反射来模拟受保护的DownloadFile方法,但发现第一次调用返回null,而第二次调用才返回预期的模拟对象。
问题根源
这个问题源于几个关键因素:
-
访问权限问题:NSubstitute无法直接模拟protected方法,因为它需要通过代理机制工作,而protected方法对代理不可见。
-
反射误用:尝试通过反射绕过访问限制会导致不可预测的行为,因为NSubstitute的内部机制无法正确拦截这类调用。
-
参数匹配问题:在测试代码中错误地使用了
Arg.Any<string>()作为实际调用参数,而不是在配置mock时使用。
解决方案
方案一:修改访问修饰符(简单但不推荐)
将protected改为internal protected,并添加InternalsVisibleTo特性:
[assembly: InternalsVisibleTo("TestProject")]
internal protected virtual async Task<ApiResult<string>> DownloadFile(...)
这种方法简单直接,但需要修改生产代码来适应测试需求,可能违反设计原则。
方案二:使用测试专用子类(推荐)
创建一个仅在测试中使用的子类,暴露protected方法:
public class TestableSomeClass : SomeClass {
public new Task<ApiResult<string>> DownloadFile(string p1, string p2)
=> base.DownloadFile(p1, p2);
}
然后在测试中使用这个子类进行模拟:
var testable = Substitute.For<TestableSomeClass>();
testable.DownloadFile(default!, default!)
.ReturnsForAnyArgs(Task.FromResult(new ApiResult<string> {...}));
方案三:重构设计(最佳实践)
从根本上重构设计,使用组合代替继承:
public interface IFileDownloader {
Task<ApiResult<string>> DownloadFile(string p1, string p2);
}
public class SomeClass {
private readonly IFileDownloader _downloader;
public SomeClass(IFileDownloader downloader) {
_downloader = downloader;
}
public async Task<string?> Download(...) {
// 使用_downloader而非继承
}
}
这种设计不仅解决了测试问题,还提高了代码的可维护性和灵活性。
关键注意事项
-
避免使用反射:反射会绕过类型系统,导致NSubstitute无法正确拦截调用。
-
正确使用参数匹配:
- 在配置mock时使用
Arg.Any<T>() - 在实际调用时使用具体值或
default!
- 在配置mock时使用
-
理解NSubstitute的限制:NSubstitute只能模拟virtual成员、接口成员和委托。
总结
在NSubstitute中测试包含受保护方法的类时,最佳实践是通过重构设计使用组合模式。如果必须保留继承结构,可以使用测试专用子类来暴露protected方法。无论采用哪种方案,都应避免使用反射等hack手段,保持测试代码的清晰和可维护性。
记住,测试困难往往暗示着设计问题。当发现测试需要复杂技巧时,应该考虑这是否意味着需要对生产代码进行重构。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。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