Mockery v3.2.4版本发布:Go语言Mock工具的重要修复
Mockery是一个流行的Go语言mock生成工具,它能够根据接口定义自动生成mock实现代码,极大简化了Go语言单元测试的编写工作。Mockery通过解析Go源代码中的接口定义,生成符合该接口的mock结构体,开发者可以直接使用这些mock对象进行测试,而无需手动编写繁琐的mock实现。
版本核心修复内容
本次发布的v3.2.4版本主要包含三个重要的修复和改进,这些改进进一步提升了Mockery的稳定性和可用性。
1. 递归包生成正则表达式修复
在之前的版本中,当使用递归模式生成mock代码时,正则表达式匹配存在一些问题,可能导致某些包没有被正确识别和处理。这个修复确保了当开发者使用递归选项时,所有符合要求的包都能被正确扫描和生成mock代码。
这个改进特别适用于大型项目,其中接口可能分散在多个嵌套的子包中。现在开发者可以放心使用递归选项,确保不会遗漏任何需要mock的接口。
2. 可变参数在EXPECT().Run()中的处理修复
Go语言支持可变参数函数(variadic functions),即使用...语法定义的参数。在之前的Mockery版本中,当mock对象的方法包含可变参数时,在.EXPECT().Run()中的处理存在缺陷。
这个修复确保了可变参数能够被正确识别和处理,使得开发者可以像测试普通参数一样测试可变参数。例如,现在可以正确mock以下形式的函数:
func (m *MockExample) VariadicMethod(args ...interface{}) {
m.mock.Called(args...)
}
3. 未知MOCKERY_环境变量导致的panic修复
Mockery支持通过环境变量进行配置,但之前的版本中,如果系统中存在任何以"MOCKERY_"开头的环境变量(即使这些变量不是Mockery的有效配置项),都会导致程序panic。
这个修复使Mockery能够优雅地忽略未知的MOCKERY_前缀环境变量,只处理它实际识别的配置项。这提高了工具的健壮性,特别是在复杂的CI/CD环境中,可能无意中设置了各种环境变量的情况下。
版本兼容性与升级建议
v3.2.4版本是一个补丁版本,完全向后兼容v3.2.x系列。对于正在使用v3.2.x版本的用户,建议尽快升级以获取这些重要的修复。
对于从更早版本升级的用户,需要注意Mockery v3.x与v2.x有一些不兼容的变化,主要是配置方式和命令行参数的变化。建议查阅完整的升级指南进行迁移。
实际应用示例
让我们通过一个简单的例子展示Mockery的使用。假设我们有一个简单的接口定义:
package example
type Greeter interface {
Greet(name string) string
GreetAll(names ...string) []string
}
使用Mockery生成mock代码后,我们可以这样编写测试:
func TestGreeter(t *testing.T) {
mockGreeter := NewMockGreeter(t)
// 设置普通参数的期望
mockGreeter.EXPECT().Greet("Alice").Return("Hello, Alice!")
// 设置可变参数的期望
mockGreeter.EXPECT().GreetAll("Alice", "Bob").Return([]string{"Hello Alice", "Hello Bob"})
// 测试代码使用mock对象...
}
v3.2.4版本的修复确保了上述代码中无论是普通参数还是可变参数都能被正确处理。
总结
Mockery v3.2.4虽然是一个小版本更新,但包含了几个关键修复,特别是对可变参数处理和递归包生成的支持改进,使得这个工具在复杂场景下的表现更加可靠。对于依赖Mockery进行单元测试的Go项目,升级到这个版本将获得更好的开发体验和更稳定的测试环境。
作为Go生态中广泛使用的mock工具,Mockery持续改进其功能和稳定性,为Go开发者提供了强大的测试支持。建议所有用户考虑升级到最新版本,以利用这些改进和修复。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
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
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00