Coverage.py 命令行工具使用指南
概述
Coverage.py 是一个用于测量 Python 代码覆盖率的强大工具。安装后,它会提供名为 coverage 的命令行脚本,帮助开发者分析代码的执行情况。本文将详细介绍 Coverage.py 的各种命令行功能和使用方法。
基本命令
Coverage.py 提供了一系列命令来执行不同的操作:
- run - 运行 Python 程序并收集执行数据
- combine - 合并多个数据文件
- erase - 清除之前收集的覆盖率数据
- report - 生成覆盖率结果报告
- html - 生成带注释的 HTML 覆盖率报告
- xml - 生成 XML 格式的覆盖率报告
- json - 生成 JSON 格式的覆盖率报告
- lcov - 生成 LCOV 格式的覆盖率报告
- annotate - 在源代码文件中添加覆盖率注释
- debug - 获取诊断信息
获取帮助信息可以使用 help 命令或 --help 选项:
$ coverage help
$ coverage help run
$ coverage run --help
运行程序并收集数据
使用 run 命令可以运行 Python 程序并收集执行数据:
$ coverage run my_program.py arg1 arg2
也可以运行模块:
$ coverage run -m packagename.modulename arg1 arg2
重要提示
通常,你应该运行的是测试程序而不是被测程序本身。测试程序会运行你的测试用例,而 Coverage.py 会在这个过程中测量代码覆盖率。
常用选项
--branch:测量分支覆盖率(默认只测量语句覆盖率)--source:指定要测量的代码目录或模块--include和--omit:包含或排除特定文件--parallel-mode:在多进程环境中使用--context:为覆盖率运行指定静态上下文标签-L或--pylib:测量 Python 标准库代码
并发支持
Coverage.py 默认支持多线程程序。如果使用以下并发库,需要使用 --concurrency 选项:
multiprocessinggreenleteventletgevent
例如:
$ coverage run --concurrency=multiprocessing my_program.py
数据文件管理
Coverage.py 默认将执行数据存储在 .coverage 文件中。可以通过环境变量 COVERAGE_FILE 修改文件名和路径。
追加模式
默认情况下,每次运行都会清空之前的数据。使用 --append 选项可以累积多次运行的数据:
$ coverage run --append my_program.py
合并数据文件
在分布式或多环境测试场景中,可以使用 combine 命令合并多个数据文件:
$ coverage combine
合并选项
--append:将数据追加到现有文件而不是覆盖--keep:保留原始数据文件--data-file:指定基础数据文件名
生成报告
Coverage.py 支持多种报告格式:
-
文本报告:
$ coverage report -
HTML 报告:
$ coverage html -
XML 报告:
$ coverage xml -
JSON 报告:
$ coverage json
常见警告及处理
Coverage.py 可能会在运行过程中发出警告,常见警告包括:
couldnt-parse:无法解析 Python 文件trace-changed:跟踪函数被改变no-data-collected:未收集到任何数据module-not-imported:模块未被导入
可以通过配置文件禁用特定警告:
[run]
disable_warnings = no-data-collected
配置建议
建议使用配置文件(如 .coveragerc)来管理 Coverage.py 的设置,这样可以:
- 统一所有命令的配置
- 方便版本控制
- 提供更全面的选项支持
总结
Coverage.py 提供了强大的命令行工具集,帮助开发者全面了解代码的测试覆盖率情况。通过合理使用各种命令和选项,可以适应不同的测试环境和需求,获得准确的覆盖率数据。
对于复杂的项目,建议结合配置文件使用,并注意处理可能出现的警告信息,以确保覆盖率数据的准确性和可靠性。
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
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
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