TUnit测试框架中设置固定区域性的解决方案
背景介绍
在.NET开发中,区域性设置(CultureInfo)对数据处理有着重要影响,特别是在处理数字、日期等格式时。当我们在编写单元测试时,如果测试依赖于特定的区域性设置,就需要确保测试运行时使用正确的区域性。TUnit作为.NET测试框架,提供了灵活的解决方案来处理这类需求。
问题分析
在TUnit测试中,直接使用Before钩子设置区域性可能无法达到预期效果,因为测试运行在独立的线程中。这会导致区域性设置不生效,进而引发格式解析异常等问题。例如,当测试需要解析"3.5"这样的数字字符串时,如果当前区域性使用逗号作为小数点分隔符,就会抛出FormatException。
解决方案
TUnit提供了自定义执行器(Executor)的机制,允许开发者控制测试的执行环境。我们可以通过创建自定义执行器来确保测试在特定的区域性设置下运行。
实现自定义区域性执行器
using System.Globalization;
public class InvariantCultureExecutor : GenericAbstractExecutor
{
protected override async ValueTask ExecuteAsync(Func<ValueTask> action)
{
var tcs = new TaskCompletionSource<object?>();
var thread = new Thread(() =>
{
try
{
// 设置线程区域性为固定区域性
CultureInfo.CurrentCulture = CultureInfo.InvariantCulture;
var valueTask = action();
if (!valueTask.IsCompleted)
{
valueTask.AsTask().GetAwaiter().GetResult();
}
tcs.SetResult(null);
}
catch (Exception e)
{
tcs.SetException(e);
}
});
thread.Start();
await tcs.Task;
}
}
使用自定义执行器
在测试类上应用TestExecutor特性指定我们创建的执行器:
[TestExecutor<InvariantCultureExecutor>]
public class CultureInvariantTests
{
[Test]
public async Task TestDecimalParsing()
{
// 现在可以确保使用固定区域性解析数字
await Assert.That(double.Parse("3.5").Equals(3.5);
}
}
实现原理
-
线程隔离:通过创建新线程来运行测试代码,确保区域性设置不会受到其他测试或框架的影响。
-
执行控制:自定义执行器接管了测试方法的执行过程,可以在执行前后进行必要的环境设置。
-
异步支持:实现中正确处理了异步测试方法,确保异步操作能够正确完成。
最佳实践
-
区域性选择:可以根据需要设置为固定区域性(CultureInfo.InvariantCulture)或特定区域性。
-
执行器复用:将常用的执行器放在共享项目中,方便多个测试项目使用。
-
组合使用:可以结合其他执行器功能,如STA线程支持等。
-
明确标识:在测试类命名或注释中说明使用了特殊区域性,便于维护。
总结
通过TUnit的自定义执行器机制,开发者可以灵活控制测试的执行环境,包括区域性设置。这种方法比直接在测试方法或钩子中设置区域性更加可靠,因为它确保了设置会在独立的线程中生效,不会受到框架内部或其他测试的影响。对于需要特定区域性设置的测试场景,这是一种优雅且有效的解决方案。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00