深入理解Pytest中的测试项筛选与deselected钩子使用
2025-05-18 08:50:24作者:齐添朝
在Pytest测试框架的实际应用中,我们经常需要根据特定条件筛选测试用例。本文将深入探讨如何正确使用pytest_collection_modifyitems钩子和pytest_deselected钩子来实现这一功能,并分析常见的错误模式。
核心概念解析
Pytest提供了强大的钩子机制,允许开发者自定义测试收集和执行过程。其中两个关键钩子:
pytest_collection_modifyitems:在测试收集完成后调用,允许修改测试项列表pytest_deselected:用于通知框架哪些测试项被取消选择
常见错误模式分析
许多开发者会遇到类似以下的错误:
HookCaller.__call__() takes 1 positional argument but 2 were given
这通常是因为直接传递了位置参数给钩子调用。Pytest的钩子系统要求使用关键字参数,正确的调用方式应该是:
config.hook.pytest_deselected(items=do_not_run)
最佳实践实现
要实现基于标记的测试筛选,推荐以下实现方式:
def pytest_configure(config):
# 注册自定义标记
config.addinivalue_line(
"markers",
"requirement(jira_issue): 标记关联的Jira需求"
)
def filter_tests(items, condition):
"""通用测试项筛选函数"""
selected = []
deselected = []
for item in items:
(selected if condition(item) else deselected).append(item)
return selected, deselected
def pytest_collection_modifyitems(session, config, items):
req_tags = config.getoption("--requirements")
if req_tags:
tags = [t.strip() for t in req_tags.split(",")]
def is_wanted(item):
markers = item.iter_markers(name="requirement")
return any(m.args[0] in tags for m in markers)
selected, deselected = filter_tests(items, is_wanted)
items[:] = selected # 关键:原地修改items列表
config.hook.pytest_deselected(items=deselected)
关键点说明
- 原地修改原则:必须直接修改传入的items列表(使用切片赋值),而不是创建新列表
- 钩子调用规范:所有Pytest钩子调用都应使用关键字参数
- 标记处理:使用
item.iter_markers()可以获取测试项上的所有标记 - 条件判断:建议将筛选逻辑封装为独立函数,提高代码可读性
高级应用场景
这种模式可以扩展用于多种筛选场景:
- 基于测试重要性级别筛选
- 根据环境条件动态选择测试
- 实现测试用例的A/B分组执行
- 构建智能测试选择系统
总结
正确使用Pytest的钩子系统可以构建灵活强大的测试筛选机制。记住两个要点:必须原地修改items列表,以及钩子调用必须使用关键字参数。通过合理封装筛选逻辑,可以创建可维护性高、扩展性强的测试配置。
对于更复杂的场景,可以考虑结合Pytest的标记系统、参数化机制和钩子组合使用,构建完整的测试策略管理系统。
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
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- 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
项目优选
收起
deepin linux kernel
C
27
11
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
570
3.84 K
Ascend Extension for PyTorch
Python
381
456
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++
894
679
暂无简介
Dart
803
198
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
353
209
昇腾LLM分布式训练框架
Python
119
146
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
12
1
🔥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
68
20
🎉 (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
1.37 K
781