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。
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-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。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
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