pytest中动态标记测试用例为预期失败的两种方式
2025-05-18 07:33:51作者:翟萌耘Ralph
在pytest测试框架中,处理已知问题的测试用例时,我们通常需要将其标记为预期失败(expected failure)。本文将深入探讨pytest中实现这一功能的两种不同方法及其适用场景。
静态标记:使用装饰器或参数化标记
最直接的方式是在测试函数定义时使用@pytest.mark.xfail装饰器,或者在参数化测试时通过pytest.param添加标记:
import pytest
@pytest.mark.parametrize("way", [
"fresh", # 正常测试用例
pytest.param("mix", marks=pytest.mark.xfail(reason="已知问题", strict=True)),
])
def test_demo(way):
assert way.startswith("fr")
这种方式的特点:
- 在测试收集阶段就确定标记状态
- 适用于问题明确且固定的场景
- 测试报告会明确显示为"xfail"状态
动态标记:运行时调用pytest.xfail()
当需要在测试执行过程中根据条件动态决定是否标记为预期失败时,应该使用pytest.xfail()函数:
def test_demo(way):
if way.startswith("mix"):
pytest.xfail(reason="运行时发现的已知问题")
assert way.startswith("fr")
这种方式的特点:
- 在测试执行阶段动态决定
- 适用于需要运行时判断的场景
- 会立即终止当前测试的执行
常见误区与解决方案
很多开发者容易混淆pytest.mark.xfail和pytest.xfail()的使用场景。关键区别在于:
pytest.mark.xfail是一个标记装饰器,需要在测试定义时使用pytest.xfail()是一个运行时函数,会立即影响测试执行流程
错误示例:
def test_demo():
pytest.mark.xfail(reason="这不会生效") # 错误用法!
这种写法不会产生任何效果,因为单纯创建标记对象而没有应用到测试项上。正确的做法是使用pytest.xfail()函数。
最佳实践建议
- 对于明确已知的问题,优先使用装饰器形式的静态标记
- 只有在需要运行时判断的场景才使用
pytest.xfail() - 始终提供清晰的reason参数说明失败原因
- 考虑使用strict参数来区分暂时性问题和永久性问题
通过合理运用这两种标记方式,可以更好地管理测试套件中的预期失败用例,提高测试报告的可读性和实用性。
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
3.88 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
359
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
786
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
813
199
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