Swift-Testing 6.1 版本发布:全面增强测试框架能力
2025-06-24 11:31:27作者:柯茵沙
项目简介
Swift-Testing 是苹果官方推出的新一代 Swift 测试框架,旨在为 Swift 开发者提供更现代化、更强大的测试工具。作为 XCTest 的替代方案,它引入了许多创新特性,如更灵活的测试组织方式、更丰富的断言功能以及更好的并发支持。本次发布的 6.1 版本在原有基础上进行了大量功能增强和问题修复。
主要更新内容
1. 退出测试功能增强
6.1 版本对退出测试(exit tests)进行了多项改进:
- 新增了对 Windows 平台信号处理的支持
- 改进了子进程生成机制,现在会在生成子进程前重置默认信号处理器
- 增加了收集子进程 stdout 和 stderr 输出的能力
- 优化了退出测试的错误记录机制,能更好地区分测试中的错误和记录的issue
这些改进使得开发者能够更全面地验证应用程序的退出行为和异常处理逻辑。
2. 测试附件支持
这是一个重要的新特性,允许测试附加额外数据以丰富测试报告:
func testWithAttachment() async throws {
let data = Data("test data".utf8)
try attach(data, named: "Test Data", metadata: ["format": "text"])
// 测试逻辑...
}
附件可以包含任意类型的数据,并支持添加元数据。这在调试复杂测试时特别有用,可以附加日志、截图或其他诊断信息。
3. 范围确认断言
新增了对范围确认(range-based confirmations)的支持:
func testRangeConfirmation() {
let values = [1, 2, 3, 4, 5]
confirmation(values, in: 3...7) // 确认数组中有3-7个元素
}
这使得验证集合大小等场景更加直观和类型安全。
4. 错误处理改进
- 现在
#expect(throws:)和#require(throws:)会返回抛出的错误,便于进一步验证 - 改进了错误回溯捕获机制,支持从 Foundation 错误中获取回溯信息
- 增加了环境变量控制是否捕获错误回溯
5. 平台兼容性增强
- 新增对 Android 平台的基本支持
- 改进了 FreeBSD 平台支持
- 修复了 Windows 平台上的多个问题
- 优化了 WASI 平台的兼容性
其他重要改进
性能优化
- 减少了
#expect()宏的事件处理开销 - 优化了回溯捕获的性能
- 改进了原子操作的使用
宏系统改进
- 修复了宏扩展中的格式化问题
- 解决了宏嵌套使用时的编译器崩溃问题
- 简化了生成的测试函数名称
类型系统支持
- 支持将 move-only 类型作为测试套件
- 改进了对不可逃逸类型的诊断
- 增强了泛型在测试附件中的使用
迁移建议
对于从早期版本迁移的用户:
- 检查所有使用
#expect(throws:)的地方,现在可以获取返回的错误值进行进一步验证 - 考虑使用新的测试附件功能替换原有的日志输出方式
- 对于集合大小验证,可以使用新的范围确认语法
- 如果使用了自定义执行特性,需要根据新的 Trait API 进行调整
总结
Swift-Testing 6.1 版本标志着该框架的成熟度又上了一个台阶。通过引入测试附件、增强退出测试、改进错误处理等特性,它为 Swift 开发者提供了更全面、更强大的测试工具。特别是对多平台的支持和性能优化,使得它成为现代 Swift 项目测试的理想选择。
随着 Swift 6 的演进,Swift-Testing 也在不断完善其功能集和开发者体验,值得所有 Swift 开发者关注和采用。
登录后查看全文
热门项目推荐
相关项目推荐
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-1.5暂无简介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
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
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
项目优选
收起
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
173
193
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++
647
263
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
269
93
暂无简介
Dart
622
140
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
377
3.32 K
React Native鸿蒙化仓库
JavaScript
242
315
🎉 (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
1.1 K
620
仓颉编译器源码及 cjdb 调试工具。
C++
126
856
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