AssertJ中extracting与flatExtracting方法的区别与使用场景
在Java测试领域,AssertJ是一个非常流行的断言库,它提供了丰富的API来编写更具可读性的测试代码。本文将深入探讨AssertJ中两个容易混淆的方法:extracting和flatExtracting,并通过实际案例说明它们的区别和适用场景。
extracting方法的工作原理
extracting方法是AssertJ提供的一个强大功能,它允许我们从集合中的每个元素中提取一个或多个属性值。当提取多个属性时,AssertJ会将这些值封装成一个Tuple(元组)对象。
例如,假设我们有一个包含人员信息的列表,每个人员对象有name和age属性:
List<Person> people = Arrays.asList(
new Person("Alice", 25),
new Person("Bob", 30)
);
assertThat(people)
.extracting("name", "age")
.contains(tuple("Alice", 25), tuple("Bob", 30));
这里的关键点是:extracting返回的是一个Tuple列表,每个Tuple包含从原始对象提取的所有属性值。即使提取的属性值为null,它们仍然会被包装在Tuple中。
flatExtracting方法的特性
与extracting不同,flatExtracting方法会将提取的所有属性值"扁平化"处理,生成一个单一的值列表,而不是保留原始的结构关系。
继续上面的例子:
assertThat(people)
.flatExtracting("name", "age")
.contains("Alice", 25, "Bob", 30);
可以看到,结果不再是Tuple的列表,而是所有提取值按顺序排列的扁平列表。
实际应用中的选择
在实际测试中,选择使用哪个方法取决于我们想要验证的内容:
-
使用extracting:当我们关心对象属性之间的组合关系时。例如,验证某个人的姓名和年龄是否匹配特定的组合。
-
使用flatExtracting:当我们只关心属性值本身,而不关心它们来自哪个具体对象时。或者当我们想要检查所有提取的值是否满足某些条件(如全为null)。
典型误区与解决方案
一个常见的误区是试图使用extracting后直接验证null值。如文中案例所示:
assertThat(testList)
.extracting("fullNames", "ages")
.containsOnlyNulls(); // 这会失败
这之所以会失败,是因为即使提取的属性值为null,它们仍被包装在非null的Tuple对象中。正确的做法是使用flatExtracting:
assertThat(testList)
.flatExtracting("fullNames", "ages")
.containsOnlyNulls(); // 这会通过
总结
理解extracting和flatExtracting的区别对于编写有效的AssertJ测试至关重要。记住:
extracting保留结构,返回Tuple列表flatExtracting扁平化处理,返回简单值列表- 验证null值时,通常需要使用
flatExtracting
掌握这两个方法的特性,可以帮助我们编写更精确、更有表达力的测试断言,提高测试代码的质量和可维护性。
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- QQwen3-Coder-Next2026年2月4日,正式发布的Qwen3-Coder-Next,一款专为编码智能体和本地开发场景设计的开源语言模型。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
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
Baichuan-M3-235BBaichuan-M3 是百川智能推出的新一代医疗增强型大型语言模型,是继 Baichuan-M2 之后的又一重要里程碑。Python00
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