推荐一个测试神器:pytest-split
2024-06-07 20:11:51作者:温玫谨Lighthearted
在Python的测试框架pytest中,有一种插件可以显著提升你的测试效率——pytest-split。它是一个智能的测试套件分割工具,基于测试执行时间将你的测试分组,帮助你实现更高效的测试运行和管理。
项目介绍
pytest-split的目标是解决大型测试套件中如何平衡各部分执行时间的问题。通过存储测试执行时间信息并将其用于后续的测试分组,它能确保每个子集的执行时间相近,为并行化测试提供可能。与其它类似工具相比,如pytest-test-groups和pytest-xdist,pytest-split提供了更灵活且适应性更强的解决方案。
项目技术分析
这个插件的核心功能是动态地根据历史执行时间将测试进行分割。它有两种算法可供选择:
- duration_based_chunks:按时间段分割,保留原始顺序。
- least_duration:最小化每个组的执行时间,但可能会改变原始顺序。
此外,pytest-split还兼容了pytest的随机测试执行插件,并特别处理了IPython Notebook的测试场景,保证了分组后的测试完整性。
应用场景
- 当你需要加速持续集成(CI)构建时,pytest-split可以帮助你将测试套件分割成多个小部分并行运行,大幅缩短整体等待时间。
- 在处理大规模或复杂测试时,特别是当测试之间有依赖关系不能随意乱序执行时,pytest-split能够智能地平衡各个子集的执行时间,减少资源浪费。
- 如果你的团队频繁添加、删除或修改测试,pytest-split会根据已有的执行时间信息自适应调整,无需每次都手动更新。
项目特点
- 基于测试执行时间智能分割测试套件,确保子集执行时间接近。
- 可配置的分割算法,满足不同需求。
- 兼容pytest随机测试插件和其他流行插件,如nbval。
- 自动处理IPython Notebook的测试分组问题。
- 提供命令行工具,方便查看最慢的测试用例。
- 提供详细的文档和示例,便于快速上手。
要使用pytest-split,只需简单安装并通过命令行参数调用即可。在你的下一个测试项目中试试pytest-split,相信它会给你的测试工作带来便捷和高效。
pip install pytest-split
pytest --store-durations # 存储测试执行时间
pytest --splits 3 --group 1 # 分割并运行第1个子集
pytest --splits 3 --group 2 # 继续分割并运行第2个子集
pytest --splits 3 --group 3 # 完成剩余子集
立刻体验pytest-split带来的测试优化吧!项目文档和源代码都可以在GitHub上找到,有任何问题或者建议,欢迎参与讨论和贡献。
登录后查看全文
热门项目推荐
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
最新内容推荐
STM32到GD32项目移植完全指南:从兼容性到实战技巧 JDK 8u381 Windows x64 安装包:企业级Java开发环境的完美选择 开源电子设计自动化利器:KiCad EDA全方位使用指南 网页设计期末大作业资源包 - 一站式解决方案助力高效完成项目 STDF-View解析查看软件:半导体测试数据分析的终极工具指南 Adobe Acrobat XI Pro PDF拼版插件:提升排版效率的专业利器 MQTT 3.1.1协议中文版文档:物联网开发者的必备技术指南 Jetson TX2开发板官方资源完全指南:从入门到精通 昆仑通态MCGS与台达VFD-M变频器通讯程序详解:工业自动化控制完美解决方案 ONVIF设备模拟器:开发测试必备的智能安防仿真工具
项目优选
收起
deepin linux kernel
C
24
9
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
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
暂无简介
Dart
670
155
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++
660
308
Ascend Extension for PyTorch
Python
219
236
仓颉编译器源码及 cjdb 调试工具。
C++
134
867
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
23
0
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
392
3.82 K
React Native鸿蒙化仓库
JavaScript
259
322