Mockery项目中如何优雅地模拟"永不调用"的方法
2025-06-02 17:19:39作者:齐冠琰
在Go语言的单元测试中,我们经常会遇到需要模拟某些方法"永远不应该被调用"的场景。本文将深入探讨在Mockery项目中如何优雅地实现这一需求,并分析各种实现方式的优缺点。
问题背景
在编写单元测试时,有时我们需要确保被测代码在特定条件下不会调用某些方法。例如,当测试一个条件分支时,我们希望验证在某个分支下不会调用特定的依赖方法。这种情况下,我们需要一种方式来明确表达"这个方法永远不应该被调用"的预期。
常见解决方案
1. 使用panic的原始方式
最初开发者可能会采用以下方式:
mock.On("SomeFunc", ctx).
Run(func(args mock.Arguments) {
panic("should not be called!")
}).
Return(nil, errors.New("panic")).
Maybe()
这种方式虽然能达到目的,但存在几个问题:
- 代码冗长且不够直观
- 使用了panic,可能会影响测试框架的错误报告
- 需要额外处理返回值,即使这些返回值实际上不会被使用
2. 更优雅的解决方案:Times(0)
Mockery实际上已经提供了更优雅的解决方案:
mock.On("SomeFunc", ctx).Times(0)
这种方式:
- 语义明确,直接表达了"这个方法不应该被调用"的意图
- 不需要处理panic或返回值
- 当方法被意外调用时,Mockery会自动报告测试失败
3. 不设置预期的隐式方式
另一种方式是根本不设置对该方法的任何预期:
// 不设置SomeFunc的任何mock预期
然后依赖Mockery的AssertExpectations()功能,它会在测试结束时自动检查是否有未预期的调用发生。这种方式:
- 最简单直接
- 适用于不关心具体参数的情况
- 错误报告可能不够具体
最佳实践建议
-
参数明确时:使用
Times(0)方式,因为它既能明确表达意图,又能在错误发生时提供详细的错误信息。 -
不关心参数时:可以不设置预期,依赖
AssertExpectations()来捕获意外调用。 -
避免使用panic:除非有特殊需求,否则应该避免在测试中使用panic来验证调用情况。
深入理解Times(0)的工作原理
Mockery的Times(0)实际上是设置了一个预期计数器,当方法被调用时,这个计数器会递增。在测试验证阶段,Mockery会检查所有预期调用的实际调用次数是否符合预期。对于Times(0)的情况,任何调用都会导致验证失败。
实际应用示例
假设我们有一个缓存服务,在缓存命中时不应该调用底层数据库:
func TestCacheHit(t *testing.T) {
dbMock := new(DatabaseMock)
cache := NewCacheService(dbMock)
// 设置缓存命中的测试数据
cache.Set("key", "value")
// 明确表示GetFromDB不应该被调用
dbMock.On("GetFromDB", "key").Times(0)
// 执行测试
result, err := cache.Get("key")
require.NoError(t, err)
require.Equal(t, "value", result)
// 自动验证mock预期
dbMock.AssertExpectations(t)
}
总结
在Mockery项目中,验证方法"永不调用"的最佳方式是使用Times(0)。这种方式简洁、明确,并且能提供良好的错误报告。理解并正确使用这一特性,可以大大提高单元测试的可读性和可维护性。
登录后查看全文
热门项目推荐
相关项目推荐
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0191
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0115
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
omega-aiOmega-AI:基于java打造的深度学习框架,帮助你快速搭建神经网络,实现模型推理与训练,引擎支持自动求导,多线程与GPU运算,GPU支持CUDA,CUDNN。Java04
llm-universe本项目是一个面向小白开发者的大模型应用开发教程,在线阅读地址:https://datawhalechina.github.io/llm-universe/Jupyter Notebook08
项目优选
收起
暂无描述
Dockerfile
763
4.96 K
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
856
1.92 K
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
676
1.33 K
Ascend Extension for PyTorch
Python
719
875
deepin linux kernel
C
32
16
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
455
437
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++
1.07 K
1.09 K
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
150
252
CANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。
Jupyter Notebook
297
114
昇腾LLM分布式训练框架
Python
178
220