pytest中`-vv`参数不应覆盖`--durations-min`设置的深入研究
2025-05-18 21:43:21作者:段琳惟
在Python测试框架pytest中,参数-vv和--durations-min之间存在一个不太合理的行为交互。本文将深入分析这个问题,探讨其产生原因,并介绍社区提出的解决方案。
问题背景
pytest提供了--durations和--durations-min两个参数来控制测试执行时间的报告输出。其中:
--durations=N指定显示最慢的N个测试项--durations-min=X设置时间阈值,只显示耗时超过X秒的测试项
同时,-vv参数用于增加输出详细程度。当前实现中存在一个特殊行为:当使用-vv时,无论--durations-min设置为何值,都会忽略该阈值设置,显示所有测试项的耗时。
当前行为分析
目前参数组合的行为如下表所示:
--durations |
--durations-min |
-vv |
行为表现 |
|---|---|---|---|
| 未设置 | 任意 | 任意 | 不显示耗时报告 |
| 设置 | 未设置 | 未设置 | 显示耗时≥0.005s的测试项 |
| 设置 | 设置 | 未设置 | 显示耗时≥设定值的测试项 |
| 设置 | 任意 | 设置 | 显示所有测试项 |
这种设计存在几个问题:
- 文档未明确说明
-vv会覆盖--durations-min的设置 - 参数优先级设计不合理,通用参数
-vv覆盖了专用参数--durations-min - 行为不一致,
--durations仍受-vv影响但--durations-min不受影响
解决方案探讨
社区提出了两种改进方案:
方案一:明确参数优先级
让--durations-min显式设置时优先于-vv参数:
- 当
--durations-min显式设置时,始终遵守其阈值 - 仅当
--durations-min未设置时,-vv才影响阈值行为
方案二:完全解耦参数
彻底分离-vv和耗时报告的关系:
-vv仅控制输出详细程度- 耗时报告完全由
--durations和--durations-min控制 - 需要显示所有测试项时,明确使用
--durations-min=0
技术实现要点
在pytest内部,这一行为由_pytest/runner.py中的相关代码控制。当前实现中,-vv会强制将--durations-min设置为0,从而显示所有测试项耗时。
修改方案需要调整这部分逻辑,确保当用户显式设置--durations-min时,该设置不会被-vv覆盖。这涉及到:
- 参数解析顺序的调整
- 默认值逻辑的修改
- 相关文档的更新
对用户的影响
这一改进将带来更可预测的行为:
- 用户设置
--durations-min时可以确信其设置会被遵守 - 需要同时使用详细输出和耗时过滤时不再需要变通方案
- 命令行参数的行为更加一致和直观
总结
pytest作为成熟的测试框架,其参数设计的合理性和一致性对用户体验至关重要。这一改进虽然看似微小,但体现了框架对用户显式设置的尊重,也使得参数间的交互更加清晰可预测。开发者可以根据实际需求选择是否显示全部测试耗时,而不必担心被其他参数意外覆盖。
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
项目优选
收起
deepin linux kernel
C
24
9
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
🔥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
64
19
暂无简介
Dart
670
155
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++
660
308
Ascend Extension for PyTorch
Python
219
236
仓颉编译器源码及 cjdb 调试工具。
C++
134
867
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
23
0
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
392
3.82 K
React Native鸿蒙化仓库
JavaScript
259
322