Expecta 技术文档
2024-12-24 22:00:49作者:凌朦慧Richard
1. 安装指南
Expecta 可以通过以下几种方式安装:
使用 CocoaPods
- 在项目的
Podfile中添加以下内容:
target :MyApp do
# 其他应用依赖
target :MyAppTests do
inherit! search_paths
pod 'Expecta', '~> 1.0'
end
end
- 运行
pod update或pod install在项目目录下。
使用 Carthage
- 在项目的
Cartfile.private中添加以下内容:
github "specta/expecta" "master"
- 运行
carthage update在项目目录下。 - 将对应的
Expecta.framework从Carthage/Build/拖入到 Xcode 项目中,并添加到测试目标(test target)。
手动安装
-
从 GitHub 上克隆 Expecta。
-
在项目目录下运行
rake来构建框架和库。 -
如果项目尚未设置,向 Xcode 项目中添加一个 Cocoa 或 Cocoa Touch 单元测试包目标。
-
对于 OS X 项目,将
Products/osx文件夹中的Expecta.framework拷贝并添加到项目的测试目标。对于 iOS 项目,将
Products/ios文件夹中的Expecta.framework拷贝并添加到项目的测试目标。如果偏好使用静态库,可以选择使用
libExpecta.a— iOS 7.x 及以下版本需要这样做。 -
在 Xcode 的测试目标中,添加
-ObjC和-all_load到 其他链接器标志(Other Linker Flags)。
2. 项目的使用说明
Expecta 是一个用于 Objective-C 和 Cocoa 的匹配器框架。它的主要优势是不需要指定数据类型,并且其匹配器的语法更加易读,不会出现括号过多的情况。
以下是一些基本使用示例:
expect(@"foo").to.equal(@"foo");
expect(foo).notTo.equal(1);
expect([bar isBar]).to.equal(YES);
expect(baz).to.equal(3.14159);
Expecta 与框架无关,可以很好地与 XCTest 和其他兼容 XCTest 的测试框架(如 Specta、Kiwi)一起工作。
3. 项目API使用文档
Expecta 提供了多种匹配器用于测试,以下是一些常用的匹配器:
expect(x).to.equal(y);检查对象或原始值 x 和 y 是否相等或等效。expect(x).to.beIdenticalTo(y);检查对象 x 和 y 是否完全相同(包括内存地址)。expect(x).to.beNil();如果 x 为 nil 则通过。expect(x).to.beTruthy();如果 x 计算为 true(非零)则通过。expect(x).to.beFalsy();如果 x 计算为 false(零)则通过。expect(x).to.contain(y);如果 NSArray 或 NSString x 包含 y 则通过。expect(x).to.beSupersetOf(y);如果 NSArray、NSSet、NSDictionary 或 NSOrderedSet x 包含 y 的所有元素则通过。expect(x).to.haveCountOf(y);如果 NSArray、NSSet、NSDictionary 或 NSString x 的计数或长度为 y 则通过。expect(x).to.beEmpty();如果 NSArray、NSSet、NSDictionary 或 NSString x 为空则通过。
等等,更多匹配器请参考项目的 README 文件。
4. 项目安装方式
项目的安装方式已在“安装指南”部分详细说明,可通过 CocoaPods、Carthage 或手动安装来设置 Expecta。
以上内容为 Expecta 的技术文档,希望能帮助您更好地了解和使用该项目。
登录后查看全文
热门项目推荐
相关项目推荐
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- 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
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00
项目优选
收起
暂无描述
Dockerfile
675
4.32 K
deepin linux kernel
C
28
16
Ascend Extension for PyTorch
Python
517
627
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++
947
886
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
398
302
🎉 (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
1.56 K
909
暂无简介
Dart
921
228
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
1.07 K
559
昇腾LLM分布式训练框架
Python
142
169
Oohos_react_native
React Native鸿蒙化仓库
C++
335
381