pytest框架中ExceptionGroup与xfail标记的优雅结合
2025-05-18 07:47:45作者:柯茵沙
在Python异步编程日益普及的今天,ExceptionGroup作为处理多个并发异常的重要机制,已经成为了现代Python开发中不可或缺的一部分。然而,当我们在pytest测试框架中使用xfail标记来预期某些异常时,ExceptionGroup的出现却带来了一些挑战。
问题背景
在传统的pytest测试中,我们可以使用xfail标记来明确指出某些测试用例预期会失败并抛出特定类型的异常。例如:
@pytest.mark.xfail(raises=IndexError, strict=True)
def test_example():
raise IndexError
这种模式在同步代码中工作良好,但当测试涉及异步代码时,情况就变得复杂了。在异步环境中,异常通常会被包装在ExceptionGroup中,即使底层抛出的确实是我们预期的IndexError,测试也会因为异常类型不匹配而失败。
解决方案探索
为了解决这个问题,pytest社区提出了多种解决方案。其中最核心的思路是引入一个类似trio.RaisesGroup的异常匹配机制,使其能够识别ExceptionGroup中嵌套的异常。
理想的使用方式可能如下:
@pytest.mark.xfail(raises=RaisesGroup(IndexError), strict=True)
def test_async_example():
raise ExceptionGroup("msg", [IndexError()])
这种方案的关键在于修改pytest内部的异常匹配逻辑,使其不仅能够检查顶层异常类型,还能深入ExceptionGroup内部进行匹配。
实现原理
在pytest内部,异常匹配主要发生在skipping.py模块中。要实现ExceptionGroup支持,需要:
- 检查raises参数是否为RaisesGroup实例
- 如果是,则调用其匹配方法检查异常值
- 否则,保持原有的异常匹配逻辑
这种修改保持了向后兼容性,同时为ExceptionGroup提供了专门支持。
实际应用场景
这种改进特别适用于以下场景:
- 异步测试套件中预期特定异常的情况
- 参数化测试中部分参数预期会抛出特定异常
- 需要精确控制异常匹配行为的复杂测试场景
总结
pytest对ExceptionGroup的支持是现代Python测试工具适应异步编程趋势的重要一步。通过引入类似RaisesGroup的机制,开发者可以更自然地表达对异步代码中异常的预期行为,使测试代码更加清晰和健壮。这一改进不仅提升了测试的准确性,也大大改善了异步测试的开发者体验。
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
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
3.9 K
暂无简介
Dart
671
156
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
React Native鸿蒙化仓库
JavaScript
261
322
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++
661
312
🎉 (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
无需学习 Kubernetes 的容器平台,在 Kubernetes 上构建、部署、组装和管理应用,无需 K8s 专业知识,全流程图形化管理
Go
15
1