pytest项目:关于标记语法优化的讨论与解决方案
2025-05-18 11:40:27作者:凌朦慧Richard
背景介绍
在Python测试框架pytest中,标记(marker)系统是一个强大的功能,允许开发者通过-m参数选择或排除特定标记的测试用例。传统的排除语法需要使用引号包裹not表达式,例如pytest -m "not mymarker"。然而,这种语法在CI/CD系统或bash脚本中使用时可能会遇到引号传递的问题。
历史经验
pytest核心开发者指出,大约10年前项目曾尝试过不同的标记语法方案,但最终选择了当前的表达式语言形式。过去的替代方案如-marker语法在实践中引发了诸多问题,特别是在参数组合时表现不佳。开发者认为,CI系统应该提供更安全的方式来调用命令,而不是让测试框架妥协设计原则来适应环境限制。
技术挑战
提出的几种替代方案都存在各自的问题:
-not-m mymarker:错误地应用了短参数形式-m not_mymarker:与现有标记命名冲突:marker:虽然可行但不够直观
开发者强调,引入新的、可能有问题的语法来解决引号传递问题并不是理想的解决方案,因为这可能会带来更多的维护负担和使用混淆。
实用解决方案
对于确实需要简化标记排除语法的用户,可以通过编写自定义插件或修改conftest.py文件来实现。一个典型的实现方案是:
def pytest_addoption(parser):
parser.addoption('--not', action='store', dest='not_markers',
nargs='*', help='markers to not run')
def pytest_collection_modifyitems(config, items):
not_markers = config.option.not_markers
if not_markers:
not_markers = [m.strip(',') for m in not_markers]
selected, deselected = [], []
for item in items:
if any(item.get_closest_marker(m) for m in not_markers):
deselected.append(item)
else:
selected.append(item)
config.hook.pytest_deselected(items=deselected)
items[:] = selected
这个方案允许用户使用pytest --not foo bar的语法来排除标记为foo或bar的测试用例,避免了引号传递问题。不过开发者需要注意,这种自定义方案可能无法完全替代pytest原生标记系统的所有功能。
最佳实践建议
- 对于简单项目,可以考虑使用上述自定义方案
- 对于复杂标记逻辑,建议坚持使用pytest原生语法
- 在CI/CD环境中,应该优先解决引号传递问题,而不是改变测试框架行为
- 考虑将复杂标记逻辑封装在pytest插件中,提高复用性
pytest作为一个成熟的测试框架,其设计决策经过了长期实践检验。虽然某些语法在特定环境下可能不够便利,但保持核心功能的稳定性和一致性通常比添加特殊语法更为重要。
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
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
412
3.17 K
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++
664
324
Ascend Extension for PyTorch
Python
227
255
暂无简介
Dart
678
160
React Native鸿蒙化仓库
JavaScript
265
326
🎉 (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
1.21 K
660
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
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
492
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
342
146