Deno标准库中Mock测试工具与Expect断言库的兼容性问题解析
2025-06-24 23:34:59作者:廉皓灿Ida
在Deno生态系统中进行单元测试时,开发者经常会遇到需要模拟(mock)函数调用的情况。Deno标准库提供了两套不同的测试工具:@std/testing/mock模块和@std/expect模块,但这两者之间存在一些兼容性问题需要开发者注意。
问题本质
核心问题在于@std/testing/mock模块中的stub函数创建的存根(stub)无法直接与@std/expect模块中的expect断言配合使用。当尝试使用expect(stub).toHaveBeenCalled()这样的断言时,会抛出"Received function must be a mock or spy function"错误。
这是因为两个模块采用了不同的实现机制:
@std/testing/mock的stub函数主要关注替换原有函数实现@std/expect的断言系统需要函数具有特定的mock/spy标识
解决方案
目前有两种推荐的做法:
-
统一使用
@std/testing/mock模块 使用该模块提供的assertSpyCall等断言方法,保持测试代码的一致性。 -
结合使用
@std/expect的fn函数 可以通过fn创建mock函数,再将其作为stub的实现:const mockFetch = fn(() => Promise.resolve(...)); const fetchStub = stub(globalThis, 'fetch', mockFetch); expect(mockFetch).toHaveBeenCalled();
技术背景
这种设计分离实际上反映了测试工具的不同设计理念:
@std/testing/mock更偏向传统的存根和模拟方式@std/expect采用了类似Jest的mock/spy模式
对于TypeScript开发者来说,需要注意fn函数的类型限制,必要时需要进行类型断言。
最佳实践建议
- 在新项目中,建议统一选择其中一种测试风格
- 在已有项目中,保持现有测试风格的一致性
- 对于复杂测试场景,可以考虑将两种方式结合使用,但要注意类型安全和可维护性
理解这些工具的设计差异和适用场景,可以帮助开发者更高效地编写Deno单元测试,避免常见的兼容性问题。
登录后查看全文
热门项目推荐
相关项目推荐
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- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
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
ruoyi-plus-soybeanRuoYi-Plus-Soybean 是一个现代化的企业级多租户管理系统,它结合了 RuoYi-Vue-Plus 的强大后端功能和 Soybean Admin 的现代化前端特性,为开发者提供了完整的企业管理解决方案。Vue08- 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
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
热门内容推荐
最新内容推荐
Degrees of Lewdity中文汉化终极指南:零基础玩家必看的完整教程Unity游戏翻译神器:XUnity Auto Translator 完整使用指南PythonWin7终极指南:在Windows 7上轻松安装Python 3.9+终极macOS键盘定制指南:用Karabiner-Elements提升10倍效率Pandas数据分析实战指南:从零基础到数据处理高手 Qwen3-235B-FP8震撼升级:256K上下文+22B激活参数7步搞定机械键盘PCB设计:从零开始打造你的专属键盘终极WeMod专业版解锁指南:3步免费获取完整高级功能DeepSeek-R1-Distill-Qwen-32B技术揭秘:小模型如何实现大模型性能突破音频修复终极指南:让每一段受损声音重获新生
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
575
3.89 K
Ascend Extension for PyTorch
Python
396
474
openEuler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。
C
360
219
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++
902
704
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.39 K
787
昇腾LLM分布式训练框架
Python
122
148
React Native鸿蒙化仓库
JavaScript
312
364
暂无简介
Dart
814
200
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
124
161
AscendNPU-IR是基于MLIR(Multi-Level Intermediate Representation)构建的,面向昇腾亲和算子编译时使用的中间表示,提供昇腾完备表达能力,通过编译优化提升昇腾AI处理器计算效率,支持通过生态框架使能昇腾AI处理器与深度调优
C++
93
161