PHPUnit测试桩(Stub)中method()与expects()的正确使用方式
2025-05-10 21:40:21作者:温玫谨Lighthearted
在PHPUnit测试框架中,创建和使用测试桩(Test Stub)是单元测试的重要组成部分。然而,许多开发者在使用过程中会遇到关于method()和expects()方法的一些困惑,特别是在方法链式调用时出现的类型问题。
核心问题分析
PHPUnit提供了两种方式来配置测试桩的行为:
- 直接使用
method()方法:
$mock = $this->createMock(Test::class);
$mock->method('foo')->with(1)->willReturn(2);
- 使用
expects()方法:
$mock = $this->createMock(Test::class);
$mock->expects($this->once())
->method('foo')
->with(1)
->willReturn(2);
这两种方式看似相似,但实际上有着重要的区别。
底层机制解析
在PHPUnit的实现中,method()方法实际上是expects(new AnyInvokedCount)的快捷方式。这意味着:
- 当使用
method()时,PHPUnit内部会默认添加一个"任意调用次数"的期望 - 而使用
expects()则允许开发者显式地指定调用次数的期望
从类型系统的角度看:
method()返回的是InvocationMocker接口expects()也返回InvocationMocker接口- 但直接使用
method()时,静态分析工具可能会误认为返回的是InvocationStubber接口
最佳实践建议
-
明确测试意图:
- 如果只关心方法的返回值,不关心调用次数,可以使用
method() - 如果需要验证方法是否被调用及调用次数,应该使用
expects()
- 如果只关心方法的返回值,不关心调用次数,可以使用
-
静态分析兼容性:
- 当使用PHPStan等静态分析工具时,建议统一使用
expects()方式 - 这样可以避免因接口类型推断导致的误报
- 当使用PHPStan等静态分析工具时,建议统一使用
-
代码可读性:
- 使用
expects()方式更明确地表达了测试的验证点 - 使测试代码的意图更加清晰
- 使用
实际应用示例
// 仅配置返回值,不验证调用
$mock = $this->createMock(Service::class);
$mock->method('process')->willReturn(true);
// 验证方法调用及参数
$mock = $this->createMock(Service::class);
$mock->expects($this->exactly(2))
->method('process')
->withConsecutive(
[$this->equalTo('input1')],
[$this->equalTo('input2')]
);
理解PHPUnit测试桩中这两种配置方式的区别和联系,有助于编写更清晰、更可靠的单元测试。在大多数情况下,特别是当测试需要验证交互行为时,使用expects()方式是更优的选择。
登录后查看全文
热门项目推荐
相关项目推荐
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0191
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0114
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
omega-aiOmega-AI:基于java打造的深度学习框架,帮助你快速搭建神经网络,实现模型推理与训练,引擎支持自动求导,多线程与GPU运算,GPU支持CUDA,CUDNN。Java04
llm-universe本项目是一个面向小白开发者的大模型应用开发教程,在线阅读地址:https://datawhalechina.github.io/llm-universe/Jupyter Notebook08
项目优选
收起
暂无描述
Dockerfile
763
4.96 K
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
856
1.92 K
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
676
1.33 K
Ascend Extension for PyTorch
Python
719
875
deepin linux kernel
C
32
16
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
455
437
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++
1.07 K
1.09 K
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
150
252
CANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。
Jupyter Notebook
296
114
昇腾LLM分布式训练框架
Python
178
220