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。
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
HunyuanVideo-1.5暂无简介00
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