Mockito严格模式:如何检测未定义的方法调用
2025-05-15 05:34:24作者:仰钰奇
Mockito作为Java领域最流行的测试框架之一,其核心功能是创建mock对象来模拟真实对象的行为。在日常开发中,我们经常会遇到一个常见问题:当测试代码调用了mock对象上未定义预期行为的方法时,Mockito会返回默认值(如null、0或false)而不是抛出异常。这可能导致测试不够严谨,甚至掩盖潜在的问题。
问题背景
考虑以下测试代码示例:
final UUID uuid = mock(UUID.class);
when(uuid.node()).thenReturn(5L);
uuid.clockSequence();
在这个例子中,我们为node()方法定义了预期行为,但测试中却调用了clockSequence()方法。按照Mockito的默认行为,clockSequence()调用不会失败,而是返回默认值0(对于long类型)。这可能导致测试不够健壮,因为我们可能无意中依赖了未定义的mock行为。
解决方案:严格Mock
Mockito从2.1版本开始引入了"严格mock"的概念,可以解决这个问题。严格mock会在以下情况下抛出异常:
- 调用了mock对象上未定义预期行为的方法
- 定义了预期行为但实际测试中未调用的方法
要创建严格mock,可以使用以下方式:
// 使用Mockito的严格mock
UUID strictUuid = mock(UUID.class, withSettings().strictness(Strictness.STRICT_STUBS));
// 或者使用JUnit5的MockitoExtension配合@Mock注解
@ExtendWith(MockitoExtension.class)
class MyTest {
@Mock(strictness = Strictness.STRICT_STUBS)
private UUID uuid;
}
严格模式的优势
- 提高测试质量:强制开发者明确mock对象的所有预期行为,避免隐式依赖默认值
- 早期发现问题:在测试阶段就能发现未定义的调用,而不是等到集成或生产环境
- 减少误报:避免测试因依赖未定义行为而意外通过
- 更好的文档作用:测试代码清晰地展示了mock对象的所有预期行为
使用建议
- 对于新项目,建议默认使用严格模式
- 对于已有项目,可以逐步迁移到严格模式
- 在确实需要默认行为的特殊情况下,可以显式定义默认返回值
- 结合Mockito的验证功能,可以更全面地检查mock对象的交互
严格mock是Mockito提供的一个强大功能,它可以帮助开发者编写更可靠、更易维护的单元测试。通过强制明确mock对象的所有预期行为,我们可以构建更健壮的测试套件,从而提高软件质量。
登录后查看全文
热门项目推荐
相关项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
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
最新内容推荐
MQTT 3.1.1协议中文版文档:物联网开发者的必备技术指南 Solidcam后处理文件下载与使用完全指南:提升CNC编程效率的必备资源 Python案例资源下载 - 从入门到精通的完整项目代码合集 TortoiseSVN 1.14.5.29465 中文版:高效版本控制的终极解决方案 CrystalIndex资源文件管理系统:高效索引与文件管理的最佳实践指南 QT连接阿里云MySQL数据库完整指南:从环境配置到问题解决 Windows Server 2016 .NET Framework 3.5 SXS文件下载与安装完整指南 Python开发者的macOS终极指南:VSCode安装配置全攻略 瀚高迁移工具migration-4.1.4:企业级数据库迁移的智能解决方案 STM32到GD32项目移植完全指南:从兼容性到实战技巧
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
223
246
暂无简介
Dart
672
157
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++
663
313
React Native鸿蒙化仓库
JavaScript
262
324
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
🎉 (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
1.2 K
655
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
218
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
330
137