Requests项目中pytest.warns(None)废弃问题的技术解析
在Python的Requests项目测试代码中,存在一个关于pytest.warns(None)的使用问题,随着pytest 8.0版本的发布,这一用法已被废弃。本文将深入分析这一变更的技术背景、影响范围以及解决方案。
问题背景
Requests项目在其测试代码中使用pytest.warns(None)来检查警告行为。这种用法原本的意图可能是想确认代码不会发出任何警告,但实际上它的行为与开发者预期不符。
在pytest 8.0之前,pytest.warns(None)的实际行为是检查代码是否至少发出一个任意类型的警告,这与pytest.warns()或pytest.warns(Warning)的行为相同,而非开发者可能认为的"确保不发出任何警告"。
技术变更细节
pytest 8.0版本对这一行为进行了重大调整:
- 移除了对None作为参数的支持
- 当传入None时会抛出TypeError异常
- 明确标记这一用法为已废弃
这一变更属于pytest对警告处理机制的改进,旨在消除API中的歧义行为,使警告检查更加明确和一致。
影响分析
这一变更影响了所有使用pytest.warns(None)的测试代码。在Requests项目中,具体影响的是测试SSL证书验证相关功能的代码段。
在测试环境中,当使用pytest 8.1.1和urllib3 2.0以下版本时,简单的解决方案是直接移除pytest.warns中的None参数。
解决方案建议
对于原本想表达"确保不发出警告"意图的代码,正确的替代方案是使用pytest的警告捕获机制配合断言检查:
with warnings.catch_warnings():
warnings.simplefilter("error") # 将警告转为错误
# 执行被测代码
或者使用pytest的recwarn fixture来显式检查警告列表是否为空。
对于Requests项目中的特定用例,测试表明直接移除None参数即可解决问题,这表明原始测试的意图实际上是允许警告存在的。
最佳实践
- 明确测试意图:是希望确保没有警告,还是希望捕获特定警告
- 使用明确的警告类型检查而非None
- 考虑升级到支持更精细警告检查的测试工具版本
- 在测试文档中注明警告检查的具体预期
这一变更虽然看似微小,但反映了测试工具向更加明确和一致的行为发展的重要趋势,有助于提高测试代码的可读性和可靠性。
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