Fixture Factory 使用与技术文档
2024-12-24 20:46:02作者:谭伦延
1. 安装指南
将 Fixture Factory 作为项目依赖项添加,如同 Maven 依赖关系一样:
<dependency>
<groupId>br.com.six2six</groupId>
<artifactId>fixture-factory</artifactId>
<version>3.1.0</version>
</dependency>
2. 项目的使用说明
模板规则编写
可以通过定义模板规则来创建测试数据。以下是如何为 Client 类和 Address 类编写模板的示例:
Fixture.of(Client.class).addTemplate("valid", new Rule() {{
add("id", random(Long.class, range(1L, 200L)));
add("name", random("Anderson Parra", "Arthur Hirata"));
add("nickname", random("nerd", "geek"));
add("email", "${nickname}@gmail.com");
add("birthday", instant("18 years ago"));
add("address", one(Address.class, "valid"));
}});
Fixture.of(Address.class).addTemplate("valid", new Rule() {{
add("id", random(Long.class, range(1L, 100L)));
add("street", random("Paulista Avenue", "Ibirapuera Avenue"));
add("city", "São Paulo");
add("state", "${city}");
add("country", "Brazil");
add("zipCode", random("06608000", "17720000"));
}});
模板继承
你也可以基于一个已存在的模板创建一个新的模板,并覆盖其中的某些属性定义:
Fixture.of(Address.class).addTemplate("augustaStreet").inherits("valid", new Rule() {{
add("street", "Augusta Street");
}});
测试代码中的使用
以下是如何在测试代码中使用定义好的模板来生成对象:
- 生成一个符合 "valid" 标签的对象:
Client client = Fixture.from(Client.class).gimme("valid");
- 生成多个符合 "valid" 标签的对象:
List<Client> clients = Fixture.from(Client.class).gimme(5, "valid");
- 生成多个对象,每个对象符合不同的标签:
List<Client> clients = Fixture.from(Client.class).gimme(2, "valid", "invalid");
3. 项目API使用文档
模板管理
模板可以在 TemplateLoader 接口内编写:
public class ClientTemplateLoader implements TemplateLoader {
@Override
public void load() {
Fixture.of(Client.class).addTemplate("valid", new Rule() {{
add("id", random(Long.class, range(1L, 200L)));
// 其他属性规则...
}});
// 其他模板...
}
}
使用 FixtureFactoryLoader 加载模板:
FixtureFactoryLoader.loadTemplates("br.com.six2six.template");
自定义处理器
实现 Processor 接口,在对象生成后执行自定义逻辑:
public class MyCustomProcessor implements Processor {
public void execute(Object object) {
// 对生成的对象执行操作
}
}
并在生成对象时使用它:
Fixture.from(SomeClass.class).uses(new MyCustomProcessor()).gimme("someTemplate");
关系(一对一和一对多)
可以为包含关系的类定义模板,如 Order 类和 Item 类:
Fixture.of(Order.class).addTemplate("valid", new Rule() {{
add("id", random(Long.class, range(1L, 200L)));
add("items", has(3).of(Item.class, "valid"));
add("payment", one(Payment.class, "valid"));
}});
日期和时间
提供了一些处理日期和时间的函数:
Fixture.of(Any.class).addTemplate("valid", new Rule() {{
add("dueDate", beforeDate("2011-04-15", new SimpleDateFormat("yyyy-MM-dd")));
// 其他日期规则...
}});
姓名生成
可以生成随机的姓名:
Fixture.of(Any.class).addTemplate("valid", new Rule() {{
add("firstName", firstName());
add("lastName", lastName());
}});
唯一随机值
对于需要每次生成唯一值的属性,可以使用 uniqueRandom 函数:
Fixture.of(Any.class).addTemplate("valid", new Rule() {{
add("country", "Brazil");
add("state", uniqueRandom("São Paulo", "Rio de Janeiro", "Minas Gerais", "Bahia"));
}});
CNPJ 生成
生成巴西的公司注册号(CNPJ):
Fixture.of(User.class).addTemplate("valid", new Rule() {{
add("cnpj", cnpj());
add("cnpj", cnpj(true)); // 格式化的 CNPJ
}});
更多使用示例可以在项目的测试代码中找到。
4. 项目安装方式
请按照“安装指南”部分所述,将 Fixture Factory 添加为项目依赖项。如果你使用的是 Maven,只需将提供的依赖项添加到你的 pom.xml 文件中。如果你使用的是其他构建工具,请按照该工具的指南来添加依赖项。
登录后查看全文
热门项目推荐
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
Ascend Extension for PyTorch
Python
223
246
暂无简介
Dart
672
157
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++
663
313
React Native鸿蒙化仓库
JavaScript
262
324
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
🎉 (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
1.2 K
655
🔥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
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
218
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
330
137