TestNG中参数修改导致测试无限重试问题的分析与解决
问题背景
在使用TestNG进行自动化测试时,我们可能会遇到需要修改测试参数后进行重试的场景。例如,当测试数据需要保存到数据库时,如果第一次执行失败,重试时需要修改某些字段值以避免主键冲突。然而,在TestNG 7.10.2版本中,当我们在重试前修改测试方法的参数时,可能会导致测试方法被无限次重试,而不是按照IRetryAnalyzer配置的次数执行。
问题现象
测试代码中定义了一个数据实体类SomeDataEntity,它实现了Randomizer接口,可以在重试时随机生成新的name值。通过ITestListener.onTestSkipped方法在测试失败后修改参数值。理论上,测试应该按照Retrier类中配置的重试次数(3次)执行,但实际上测试会无限次重试。
根本原因分析
经过深入分析,发现问题的根源在于Lombok的@Data注解。这个注解是一个组合注解,包含了@EqualsAndHashCode,它会根据类的所有非静态字段自动生成equals()和hashCode()方法。
当我们在重试过程中修改了SomeDataEntity的name字段时,由于@Data自动生成的hashCode()方法会考虑所有字段,导致每次修改后对象的哈希值都发生变化。TestNG内部使用对象的哈希值来识别测试方法的唯一性,因此每次参数修改后TestNG都会认为这是一个新的测试实例,从而创建新的IRetryAnalyzer实例,导致重试计数器无法正常工作。
解决方案
-
避免使用@Data注解:改用更细粒度的Lombok注解组合,只包含实际需要的功能。在本例中,只需要@Getter注解即可。
-
手动实现实体类:如果不使用Lombok,可以手动编写实体类,只实现必要的getter方法,避免自动生成的equals()和hashCode()方法干扰TestNG的重试机制。
-
保持对象标识不变:如果确实需要修改对象内容,可以考虑实现自定义的equals()和hashCode()方法,使其基于不变的标识字段(如ID)而不是可变字段。
最佳实践建议
-
在测试代码中使用Lombok时要谨慎,特别是@Data这种组合注解,要清楚它包含的所有功能。
-
当测试需要重试机制时,确保测试参数对象的equals()和hashCode()行为是可预测的。
-
考虑使用不可变对象作为测试参数,或者在重试时创建新对象而不是修改现有对象。
-
在复杂的测试场景中,可以通过日志记录参数对象的哈希值,帮助调试重试相关问题。
总结
这个问题展示了测试框架、代码生成工具和业务逻辑之间微妙的交互关系。理解框架内部机制和工具自动生成代码的行为对于解决这类问题至关重要。通过这次问题排查,我们不仅解决了无限重试的问题,也加深了对TestNG重试机制和Lombok注解行为的理解,为今后编写更健壮的测试代码打下了基础。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C032
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
kylin-wayland-compositorkylin-wayland-compositor或kylin-wlcom(以下简称kywc)是一个基于wlroots编写的wayland合成器。 目前积极开发中,并作为默认显示服务器随openKylin系统发布。 该项目使用开源协议GPL-1.0-or-later,项目中来源于其他开源项目的文件或代码片段遵守原开源协议要求。C00
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