Async-GraphQL中如何高效测试订阅功能
2025-06-24 02:32:58作者:殷蕙予
在Async-GraphQL项目中,测试订阅(Subscription)功能与测试普通查询(Query)有所不同。许多开发者在使用Schema实例进行测试时,会遇到"Subscriptions are not supported on this transport"的错误提示。本文将深入探讨如何在不启动完整服务器的情况下,对订阅功能进行有效测试。
核心问题分析
当开发者尝试使用Schema实例直接测试订阅时,常见的错误是因为使用了错误的执行方法。与常规查询使用execute()方法不同,订阅功能需要特殊处理:
- 订阅功能基于数据流(Stream)机制
- 需要专门的流式执行方法
- 测试时需要模拟数据流的行为
解决方案:execute_stream方法
Async-GraphQL提供了execute_stream()方法来专门处理订阅功能的测试。这个方法会返回一个数据流,开发者可以像处理普通Rust流一样对其进行操作:
let schema = Schema::new(Query, Mutation, Subscription);
let request = Request::new("subscription { ... }");
let stream = schema.execute_stream(request);
结合Mockall的测试实践
在实际测试中,我们经常需要结合Mockall来模拟依赖项。以下是几个关键实践要点:
- 有限数据流设计:确保模拟的订阅流是有限的,便于测试验证
- 顺序控制:使用
in_sequence来确保模拟行为的顺序性 - 结果收集:将流收集到Vec中便于断言
#[async_std::test]
async fn test_subscription() {
let mut mock = MockBackend::new();
mock.expect_get_stream()
.returning(|| stream::iter(vec![Value1, Value2]));
let schema = Schema::build(Query, Mutation, Subscription)
.data(mock)
.finish();
let res = schema.execute_stream("subscription { updates }")
.collect::<Vec<_>>()
.await;
assert_eq!(res.len(), 2);
}
高级测试技巧
- 错误场景测试:模拟流中的错误情况,验证错误处理逻辑
- 多订阅测试:测试多个订阅同时存在时的行为
- 取消订阅测试:验证中途取消订阅时的资源清理
性能优化建议
- 避免在测试中使用真实网络传输
- 使用轻量级执行器而非完整服务器
- 考虑使用tokio::test而非async_std,根据项目实际情况选择
通过以上方法,开发者可以在不启动完整HTTP服务器的情况下,对Async-GraphQL的订阅功能进行全面测试,既保证了测试覆盖率,又提高了测试执行效率。
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
25
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
415
3.19 K
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
暂无简介
Dart
680
160
🔥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
65
19
Ascend Extension for PyTorch
Python
229
259
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++
689
327
React Native鸿蒙化仓库
JavaScript
265
326
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
🎉 (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
660