使用Criterion测试框架验证程序退出码的方法
概述
在C/C++程序开发中,有时需要测试函数是否会按预期退出程序并返回特定的退出码。Criterion测试框架提供了专门的功能来验证这种情况。本文将详细介绍如何使用Criterion框架测试程序的退出行为。
退出码测试的基本概念
在Unix/Linux系统中,程序通过调用exit()函数终止执行,并返回一个退出状态码。按照惯例,0表示成功,非零值表示各种错误情况。在单元测试中,我们经常需要验证某些函数在特定条件下是否会正确退出并返回预期的状态码。
Criterion的.exit_code指令
Criterion框架提供了一个名为.exit_code的测试指令,专门用于声明测试用例的预期退出码。默认情况下,Criterion期望测试用例正常执行完毕(退出码为0),如果测试用例以非零码退出,则会被标记为失败。
当我们需要测试一个应该以特定非零码退出的函数时,可以使用.exit_code指令明确声明预期的退出码。这样,当测试用例确实以该码退出时,Criterion会认为测试通过而非失败。
实际应用示例
假设我们有一个函数foo(),其行为如下:
void foo(int a) {
if(a == 1) exit(1);
if(a == 2) exit(2);
return;
}
要为这个函数编写退出码测试,可以这样实现:
#include <criterion/criterion.h>
#include <stdlib.h>
Test(exit_code, test_exit_1, .exit_code = 1) {
foo(1); // 预期会以退出码1退出
}
Test(exit_code, test_exit_2, .exit_code = 2) {
foo(2); // 预期会以退出码2退出
}
使用注意事项
-
默认行为:如果不指定
.exit_code指令,Criterion默认期望测试用例正常完成(退出码为0)。 -
零退出码:虽然可以显式指定
.exit_code = 0,但这通常没有必要,因为这是默认行为。 -
测试设计:每个测试用例应该只测试一种退出情况,保持测试的单一职责原则。
-
错误处理:确保测试用例中除了预期的退出语句外,没有其他可能导致退出的代码路径。
高级应用场景
在实际项目中,可能需要测试更复杂的退出行为:
-
多条件退出:测试函数在不同输入条件下的各种退出码。
-
异常退出:结合信号处理和退出码的测试。
-
资源清理:验证程序在退出前是否正确释放了分配的资源。
总结
Criterion框架的.exit_code指令为测试程序的退出行为提供了简单而强大的支持。通过合理使用这一功能,开发者可以确保程序在各种条件下都能按照预期的方式终止,并返回正确的状态码。这种方法特别适合测试命令行工具和系统服务等需要明确退出状态的应用程序。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
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
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
ruoyi-plus-soybeanRuoYi-Plus-Soybean 是一个现代化的企业级多租户管理系统,它结合了 RuoYi-Vue-Plus 的强大后端功能和 Soybean Admin 的现代化前端特性,为开发者提供了完整的企业管理解决方案。Vue07- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00