深入理解Pytest中的测试项筛选与deselected钩子使用
2025-05-18 00:52:32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
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
最新内容推荐
TextAnimator for Unity:打造专业级文字动画效果的终极解决方案 Python开发者的macOS终极指南:VSCode安装配置全攻略 全球GEOJSON地理数据资源下载指南 - 高效获取地理空间数据的完整解决方案 STM32到GD32项目移植完全指南:从兼容性到实战技巧 MQTT客户端软件源代码:物联网开发的强大工具与最佳实践指南 VSdebugChkMatch.exe:专业PDB签名匹配工具全面解析与使用指南 PANTONE潘通AI色板库:设计师必备的色彩管理利器 Python案例资源下载 - 从入门到精通的完整项目代码合集 TortoiseSVN 1.14.5.29465 中文版:高效版本控制的终极解决方案 CrystalIndex资源文件管理系统:高效索引与文件管理的最佳实践指南
项目优选
收起
deepin linux kernel
C
24
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
411
3.16 K
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++
664
323
Ascend Extension for PyTorch
Python
227
255
暂无简介
Dart
676
160
React Native鸿蒙化仓库
JavaScript
265
326
🎉 (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
1.21 K
659
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
9
1
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
492
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
342
146