Deno标准库测试模块中Mock多签名函数的方法
在Deno标准库的测试模块中,开发者可能会遇到需要mock一个具有多个类型签名的函数的情况。这种情况在TypeScript中很常见,特别是当我们需要为同一个函数提供不同类型参数的重载时。
问题背景
当我们在TypeScript中定义一个类方法时,可能会为该方法的参数提供多种类型签名。例如:
class Test {
testFn(query: number): void;
testFn(query: string): void;
testFn(args: string | number): void {
console.log(args);
}
}
这个类中的testFn方法有两个重载签名:一个接受number类型参数,另一个接受string类型参数。实际的实现则接受string | number联合类型。
测试时遇到的问题
当我们尝试使用Deno标准库的@std/testing模块来mock这个方法时:
Deno.test("test", () => {
const test = new Test();
const myStub = stub(test, "testFn");
test.testFn(123);
assertSpyCall(myStub, 0, {
args: [123] // 这里会出现类型错误
});
});
TypeScript会报错,提示number类型不能赋值给string类型。这是因为TypeScript的类型推断系统在处理重载方法时,默认选择了第一个签名(string参数)作为mock的类型约束。
解决方案
方案一:显式类型断言
我们可以通过显式类型断言来告诉TypeScript我们期望的mock类型:
const myStub = stub(test, "testFn") as Stub<Test, [query: string | number], void>;
这种方法的优点是不需要修改原始类定义,直接在测试代码中明确指定我们期望的mock类型。Stub类型是Deno测试模块提供的泛型类型,可以精确控制mock的行为和类型。
方案二:修改类定义
另一种方法是在类定义中添加一个更通用的签名:
class Test {
testFn(query: number): void;
testFn(query: string): void;
testFn(query: string | number): void; // 添加这个签名
testFn(args: string | number): void {
console.log(args);
}
}
由于TypeScript在类型推断时会选择最后一个签名,添加这个通用签名后,mock操作就能正确识别所有可能的参数类型。
最佳实践建议
-
优先考虑方案一:在测试代码中进行类型断言通常比修改生产代码更合适,特别是当生产代码的签名设计有特定意图时。
-
保持测试代码类型安全:虽然可以使用
any来绕过类型检查,但建议保持类型安全,使用精确的类型定义。 -
考虑重构可能性:如果经常需要mock多签名方法,可能需要考虑是否应该重构代码结构,减少重载的使用。
-
文档注释:对于复杂的mock场景,添加适当的注释说明为什么需要特定的类型处理,方便后续维护。
总结
在Deno标准库的测试环境中处理多签名方法的mock时,理解TypeScript的类型推断机制是关键。通过显式类型断言或调整类定义,我们可以有效地解决类型不匹配的问题,确保测试代码既类型安全又能够覆盖所有预期的使用场景。
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