Shoulda-Matchers 中验证只读属性存在的问题及解决方案
背景介绍
在 Rails 开发中,Shoulda-Matchers 是一个广泛使用的测试工具库,它提供了简洁的语法来测试 ActiveRecord 模型的各种验证和关联。随着 Rails 7.1 的发布,一个重要的行为变更影响了 Shoulda-Matchers 的使用方式。
问题描述
Rails 7.1 引入了一个重要的安全变更:默认启用了 raise_on_assign_to_attr_readonly 配置。这意味着当尝试修改被标记为 attr_readonly 的属性时,Rails 会抛出异常,而不是像之前版本那样静默忽略。
这一变更暴露了 Shoulda-Matchers 中的一个问题:当使用 validate_presence_of 验证器测试只读属性时,它会尝试修改这些属性,导致测试失败。
问题重现
假设我们有一个模型类:
class MyClass < ActiveRecord::Base
attr_readonly :company_id
validates :company_id, presence: true
end
对应的测试代码如下:
RSpec.describe MyClass, type: :model do
describe 'validation' do
subject { create(:my_class) }
it { is_expected.to validate_presence_of(:company_id) }
end
end
当 raise_on_assign_to_attr_readonly 设置为 true 时(Rails 7.1 默认),这个测试会失败,因为 Shoulda-Matchers 内部尝试修改只读的 company_id 属性。
解决方案
方案一:使用 build 而非 create
最简单的解决方案是修改测试用例,使用 build 而非 create 来初始化测试对象:
RSpec.describe MyClass, type: :model do
describe 'validation' do
subject { build(:my_class) }
it { is_expected.to validate_presence_of(:company_id) }
end
end
这是因为 build 方法创建的是未保存到数据库的对象实例,此时只读限制尚未生效。
方案二:明确指定验证上下文
另一种解决方案是指定验证上下文为 :create:
it { is_expected.to validate_presence_of(:company_id).on(:create) }
这告诉 Shoulda-Matchers 只在创建上下文中测试验证规则。
技术原理分析
Shoulda-Matchers 的 validate_presence_of 内部实现会尝试修改属性值来验证验证规则是否生效。对于只读属性,这种行为在 Rails 7.1 之前是被静默忽略的,但现在会抛出异常。
当使用 build 而非 create 时,对象尚未持久化,Rails 的只读属性保护机制尚未完全激活,因此可以修改这些属性值用于测试目的。
最佳实践建议
-
优先使用 build:在测试模型验证时,除非特别需要测试保存后的行为,否则应优先使用
build而非create。 -
明确验证上下文:对于只读属性的验证,明确指定
on: :create可以更准确地表达业务意图。 -
测试设计考量:考虑将只读属性的验证测试与其他测试分开,使用不同的测试策略。
总结
Rails 7.1 的安全变更使得 Shoulda-Matchers 在处理只读属性时需要特别注意。通过使用 build 或明确指定验证上下文,我们可以确保测试既符合 Rails 的新安全要求,又能有效验证业务逻辑。这一变更也提醒我们在设计模型时需要更谨慎地考虑属性的读写权限和验证规则。
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