PHPUnit 12.0.9版本中Mock对象构建器的变更解析
在PHPUnit 12.0.9版本中,框架对Mock对象的内部实现进行了重要调整,移除了PHPUnit\Framework\MockObject\Builder\InvocationMocker这个类。这一变更虽然属于内部实现细节的调整,但由于历史原因,这个类在早期版本中被部分开发者直接引用,导致升级后可能遇到静态分析工具报错的情况。
变更背景
PHPUnit作为PHP生态中最流行的单元测试框架,其Mock功能一直是核心特性之一。在12.0.9版本之前,框架内部使用InvocationMocker类来处理Mock对象的方法调用预期设置。这个类本应作为内部实现细节,不应该被外部代码直接依赖,但在实际使用中,部分开发者可能会通过IDE自动补全或查看源码的方式直接引用到这个类。
技术影响
虽然移除了InvocationMocker类,但PHPUnit团队确保了这一变更不会破坏现有的测试代码。开发者仍然可以继续使用原有的链式调用方式来设置Mock预期:
$mockedService
->expects($this->exactly(1))
->method('get')
->with(24)
->willReturn('24');
这段代码在运行时完全正常,只是在使用静态分析工具(如PHPStan)并启用了phpstan-phpunit扩展时,可能会报告"Call to method method() on an unknown class"的错误。
解决方案
对于遇到此问题的开发者,有以下几种处理方式:
-
等待扩展更新:phpstan-phpunit扩展需要更新以适应PHPUnit的这一变更。开发者可以关注相关扩展的更新情况。
-
临时解决方案:在等待扩展更新的同时,可以通过在phpstan.neon配置文件中排除相关错误来临时解决问题:
parameters:
ignoreErrors:
- '#Call to method method\(\) on an unknown class#'
- 代码重构:虽然不必要,但开发者也可以考虑重构测试代码,使用更现代的Mock创建方式,如:
$mockedService = $this->createMock(MyService::class);
$mockedService->method('get')
->with(24)
->willReturn('24');
最佳实践建议
这一变更提醒我们几个重要的开发实践:
-
避免依赖内部实现:测试代码应该只依赖框架公开的API,而不是内部实现类。
-
关注框架更新日志:在升级框架版本时,仔细阅读变更日志,了解可能的破坏性变更。
-
合理使用静态分析:静态分析是强大的工具,但要理解其局限性,特别是当分析规则尚未适配最新框架版本时。
PHPUnit团队表示这一变更本应在12.0.0大版本中就实施,但由于疏忽而延迟到了12.0.9版本。这也说明了即使是成熟的开源项目,在版本管理和变更控制上也存在挑战。对于开发者而言,理解框架的内部实现变化有助于编写更健壮的测试代码。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00