Testcontainers-go 项目中使用 Docker Compose 连接 MySQL 的实践指南
在使用 Testcontainers-go 进行集成测试时,很多开发者会遇到如何正确连接 Docker Compose 中 MySQL 服务的问题。本文将详细介绍解决方案和最佳实践。
问题现象
开发者在使用 Testcontainers-go 的 Docker Compose 模块时,虽然成功启动了 MySQL 容器,但在尝试通过 GORM 连接时遇到了"driver: bad connection"错误。容器日志显示 MySQL 服务已健康,但连接仍然失败。
核心问题分析
经过排查,发现问题的根源在于连接字符串的构造方式不正确。开发者只获取了容器的映射端口,但没有正确获取容器的主机地址。在 Docker 环境中,特别是使用 Testcontainers 时,不能简单地假设服务运行在 localhost 上。
解决方案
正确的做法是同时获取容器的主机地址和映射端口:
// 获取MySQL容器的映射端口
mysqlPort, err := mysqlContainer.MappedPort(ctx, "3306")
require.NoError(t, err)
// 获取MySQL容器的主机地址
mysqlHost, err := mysqlContainer.Host(ctx)
require.NoError(t, err)
// 构造正确的DSN连接字符串
dsn := fmt.Sprintf("root:12345678@tcp(%s:%s)/test?charset=utf8mb4&parseTime=True&loc=Local",
mysqlHost, mysqlPort.Port())
技术要点解析
-
Host()方法:Testcontainers 提供的 Host() 方法能够返回容器在宿主机上的访问地址,这个地址会根据运行环境(Docker Desktop、Linux Docker等)自动适配。
-
MappedPort()方法:获取容器端口在宿主机上的映射端口,特别是在使用随机端口映射时尤为重要。
-
连接字符串构造:必须使用从容器获取的实际主机地址和端口,而不是硬编码的localhost。
最佳实践建议
-
总是检查容器服务的健康状态,确保服务完全启动后再尝试连接。
-
考虑添加连接重试逻辑,以应对服务启动延迟的情况。
-
在测试结束后,确保正确清理容器资源,避免资源泄漏。
-
对于数据库测试,可以使用专门的测试数据库模块,它提供了更多针对数据库测试的便利方法。
总结
通过这个案例我们可以看到,在使用 Testcontainers-go 进行容器化测试时,理解容器网络和连接方式至关重要。正确获取容器的主机地址和端口是成功连接服务的关键。Testcontainers 提供了简洁的API来获取这些信息,开发者应该充分利用这些API而不是做硬编码假设。
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