Mockery项目中处理静态返回类型的方法模拟问题解析
2025-05-22 03:15:36作者:史锋燃Gardner
问题背景
在PHP单元测试中使用Mockery框架时,开发者经常会遇到需要模拟具有特定返回类型的方法。其中,当方法声明为返回static类型时,会出现一些特殊的挑战。
核心问题分析
当我们在一个抽象基类中定义一个返回static类型的方法,并在子类中继承这个方法时,Mockery在模拟这个子类方法时会遇到类型匹配问题。具体表现为:
- 基类方法声明为返回
static类型 - 子类继承这个方法
- 测试中尝试模拟子类并指定返回值时
- PHP会抛出类型不匹配错误,期望返回的是Mockery生成的代理类实例
问题本质
这个问题的根源在于PHP的类型系统和Mockery的代理机制之间的交互:
static返回类型在运行时解析为实际调用的类- Mockery创建的是原始类的代理类(如
Mockery_6_ClassName) - 当方法声明返回
static时,PHP期望返回代理类实例 - 但测试中直接返回了原始类实例,导致类型不匹配
解决方案
方案一:使用andReturnSelf()
对于简单的返回自身实例的情况,可以使用Mockery提供的andReturnSelf()方法:
$mock = Mockery::mock(HubSpotList::class)
->shouldReceive('findOrFail')
->andReturnSelf();
这种方法适用于方法只需返回模拟对象本身的情况。
方案二:调整返回类型声明
更合理的解决方案是重新设计返回类型:
- 在抽象基类中将方法声明为返回基类类型
- 在具体子类中重写方法并声明返回具体子类类型
例如:
// 基类
abstract class HubSpotObject {
public function findOrFail(): HubSpotObject
{
// 实现
}
}
// 子类
class HubSpotList extends HubSpotObject {
public function findOrFail(): HubSpotList
{
// 实现
}
}
这种设计更符合面向对象原则,同时解决了Mockery模拟时的类型问题。
最佳实践建议
- 谨慎使用static返回类型:在可能被模拟的类中,避免使用
static作为返回类型 - 优先使用具体类型:尽可能使用具体的类名作为返回类型
- 考虑测试需求:在设计类和方法时,提前考虑测试场景的需求
- 利用Mockery特性:熟悉Mockery的各种返回值设置方法,如
andReturnSelf()
总结
在Mockery框架中处理静态返回类型的方法模拟时,开发者需要理解PHP类型系统与Mockery代理机制之间的交互。通过合理设计返回类型声明或使用Mockery提供的特殊方法,可以有效地解决这类问题。记住,良好的类设计不仅需要考虑业务逻辑,也需要考虑可测试性。
登录后查看全文
热门项目推荐
相关项目推荐
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
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
222
238
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
暂无简介
Dart
671
156
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
661
312
React Native鸿蒙化仓库
JavaScript
261
322
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
仓颉编译器源码及 cjdb 调试工具。
C++
134
867
仓颉编程语言测试用例。
Cangjie
37
859
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
217