如何在非pytest场景中使用Hypothesis设置随机种子

Hypothesis是一个强大的Python属性测试库，主要用于生成随机测试数据。虽然它主要设计用于与pytest等测试框架集成，但有时我们也会在非测试场景中使用它来生成随机数据实例。

非测试场景中的Hypothesis使用

在实际开发中，我们可能会遇到这样的需求：需要生成一个复杂数据结构的实例，比如深度嵌套的数据类树结构。这些实例可能用于手动集成测试、数据模拟或其他非自动化测试场景。Hypothesis的from_type策略非常适合于这种用例，因为它能够自动为给定类型生成实例。

问题背景

当我们在非pytest环境中使用Hypothesis时，可能会遇到一个常见问题：如何确保生成的随机数据是可重现的。在测试场景中，我们可以使用@seed装饰器来固定随机种子，但在普通Python脚本中直接使用这个功能并不直观。

解决方案

虽然Hypothesis官方没有直接支持在非@given装饰器场景下设置种子，但我们可以通过一个巧妙的方法来实现：

1. 创建一个临时测试函数
2. 使用@seed装饰器固定随机种子
3. 通过max_examples控制生成数量
4. 在函数内部收集生成的实例

这种方法利用了Hypothesis的测试功能，但实际上是为了获取可重现的随机数据。

实现示例

下面是一个完整的实现示例，展示了如何为嵌套数据类生成可重现的随机实例：

from dataclasses import dataclass
from typing import TypeVar
import hypothesis
import hypothesis.strategies

@dataclass
class Child:
    f1: float
    f2: float | None

@dataclass
class Parent:
    child: Child

T = TypeVar("T")

def generate(cls: type[T], seed: int) -> T:
    objects = []
    
    @hypothesis.seed(seed)
    @hypothesis.given(hypothesis.strategies.from_type(cls))
    @hypothesis.settings(max_examples=10)
    def collect_examples(o):
        objects.append(o)
    
    collect_examples()
    return objects[-1]  # 通常最后一个示例更有代表性

使用建议

1. 种子选择：使用固定种子可以确保每次运行生成相同的数据
2. 示例数量：适当增加max_examples可以获取更多样化的数据
3. 数据选择：第一个生成的示例往往比较简单，可以选择后面的示例作为更有代表性的数据
4. 性能考虑：对于复杂类型，生成多个示例可能会有性能开销

替代方案

如果这种解决方案感觉不够直观，也可以考虑以下替代方法：

1. 使用hypothesis.extra.dataclasses模块专门处理数据类
2. 对于简单需求，可以手动构建策略而不是依赖from_type
3. 将生成逻辑封装为测试用例的一部分，然后导出生成的数据

总结

虽然Hypothesis主要设计用于属性测试，但它的数据生成能力在各种场景下都非常有用。通过巧妙地利用测试装饰器，我们可以在非测试环境中获得可重现的随机数据生成能力。这种方法特别适合需要稳定数据样本的开发、演示和集成测试场景。